FaceNet: تضمين موحَّد للتعرّف على الوجوه وتعنقدها

قبل FaceNet، كان الأسلوب المعتاد للتعرّف على الوجوه يمرّ بثلاث خطوات:

1. درّب شبكة التفافية عميقة كـمصنِّف — عصبون خرج واحد لكل شخص في مجموعة التدريب.
2. احذف طبقة التصنيف الأخيرة.
3. خُذ تنشيطات إحدى الطبقات المخفية واستخدمها بوصفها «بصمة» للوجه.

هذا ما يُعرف بأسلوب عنق الزجاجة، وفيه مشكلتان أساسيتان. الأولى أنّ الشبكة تُحسِّن دقة التصنيف عبر خسارة الإنتروبيا المتقاطعة، لكنها لا تهتمّ بجودة التضمين نفسه — ليس هناك ما يدفعها لتقريب تضمينات الشخص الواحد أو إبعاد تضمينات الأشخاص المختلفين. المشكلة الثانية أنّ حجم المتّجه الناتج مرتبط بتصميم الشبكة الداخلي، وغالباً يخرج بـ 4096 بُعداً أو أكثر — رقم غير عملي حين تحتاج البحث في ملايين الوجوه لحظياً.

ما كان مطلوباً هو أن تتعلّم الشبكة التضمين مباشرةً: أن تهتمّ دالة الخسارة بـالمسافات في فضاء المخرجات بدلاً من احتمالات التصنيف.

الفكرة وراء FaceNet بسيطة بشكل مفاجئ: بدلاً من أن تتعلّم الشبكة تصنيف الوجوه إلى فئات، علّمها علاقة مكانية بين الصور. في كل خطوة تدريب تستخدم ثلاث صور:

• المرجع (Anchor) — أي صورة وجه.
• الإيجابية (Positive) — صورة أخرى لنفس الشخص.
• السلبية (Negative) — صورة لشخص مختلف.

دالة الخسارة تقول ببساطة: «اجعل المسافة من المرجع إلى الإيجابية أقل من المسافة إلى السلبية، بهامش أمان $\alpha$ على الأقل.» لا طبقة تصنيف، ولا softmax، ولا عصبون مخصّص لكل شخص. كل ما تفعله الشبكة هو إنتاج متّجه من 128 بُعداً تكون فيه المسافة الإقليدية هي مقياس التشابه بين الوجوه.

فكّر في الأمر كتوزيع مقاعد في قاعة حفلات: الأصدقاء يجلسون على بُعد ذراع من بعضهم، بينما الغرباء يفصلهم عدة صفوف. الهامش $\alpha$ هو الحدّ الأدنى من الفجوة التي تفرضها بين أي صديقين وأي غريب.

ليست كل الثلاثيات مفيدة بالقدر نفسه. حين يكون لديك ملايين الوجوه، فإنّ معظم السلبيات سهلة — بعيدة عن المرجع أصلاً — فتكون الخسارة صفراً ولا تتعلّم الشبكة شيئاً. في المقابل، السلبيات الأصعب — تلك الأقرب إلى المرجع من الإيجابية — قد تدفع التدريب نحو الانهيار.

الحلّ الذي يقدّمه FaceNet هو استخراج السلبيات شبه الصعبة: لكل زوج مرجع-إيجابية في الدفعة التدريبية، اختر سلبية أبعد عن المرجع من الإيجابية لكنها لا تزال داخل نطاق الهامش. هذه الثلاثيات تقع في المنطقة المثالية — صعبة بما يكفي لتوليد تدرّج مفيد، لكنها لا تُزعزع استقرار التدريب.

رياضياً، السلبية شبه الصعبة $n$ تحقّق الشرط: $\|f(x^a) - f(x^p)\|_2^2 < \|f(x^a) - f(x^n)\|_2^2 < \|f(x^a) - f(x^p)\|_2^2 + \alpha$

الأمر أشبه بمعلّم يختار مسائل تمرين لطلابه: لو كانت سهلة جداً لن يستفيد الطالب، ولو كانت صعبة جداً سيُحبَط وينسحب. السلبيات شبه الصعبة هي المسائل التي تقع بالضبط خارج منطقة الراحة — تتحدّى الطالب دون أن تكسره.

ينظر FaceNet إلى الشبكة الالتفافية العميقة بوصفها دالة مُتعلَّمة $f(x) \in \mathbb{R}^{128}$ تأخذ صورة وجه وتُخرج نقطة على سطح كرة فائقة في 128 بُعداً، بعد تسوية L2 بحيث $\|f(x)\|_2 = 1$. جرّبت الورقة عائلتين من البنى:

• NN1 (على طراز Zeiler & Fergus): شبكة من 22 طبقة مع التفافات 1×1، تضمّ 140 مليون معامل و1.6 مليار عملية حسابية (FLOPS). تحقّق أعلى دقة.
• NN2 إلى NN4 وNNS1 إلى NNS2 (على طراز Inception / GoogLeNet): فروع متوازية من التفافات 1×1 و3×3 و5×5 في كل وحدة. NN2 يصل إلى دقة مماثلة بـ 7.5 مليون معامل فقط — أي أقل بعشرين ضعفاً من NN1. أما النموذج الأصغر NNS2 (4.3 مليون معامل، 20 مليون عملية) فيعمل على الهاتف المحمول.

الطبقة الأخيرة تُخرج 128 رقماً عشرياً تُسوَّى بمعيار L2 — لا softmax ولا طبقة تصنيف. الشبكة بأكملها، من البكسلات إلى المتّجه النهائي، تُدرَّب من طرف إلى طرف بدالة الخسارة الثلاثية.

أجمل ما في FaceNet أنّ تضميناً واحداً من 128 بُعداً يكفي لأداء ثلاث مهام كانت تحتاج أنظمة منفصلة:

• التحقّق («هل هذا الشخص نفسه؟»): احسب مسافة L2 بين التضمينين. إذا كانت $d < \text{العتبة}$ فالإجابة نعم.
• التعرّف («من هذا الشخص؟»): ابحث عن التضمين المسجّل الأقرب من حيث مسافة L2 — مجرد بحث عن الجار الأقرب.
• التعنقد («جمّع هذه الوجوه حسب الهوية»): طبّق خوارزمية تعنقد قياسية (تراكمية أو k-means) على المتّجهات. وجوه الشخص الواحد تتجمّع طبيعياً في عناقيد متقاربة.

لا حاجة لضبط مخصّص لكل مهمة، ولا لنماذج منفصلة، ولا لمعالجة لاحقة. فضاء التضمين هو الحل بذاته.

دُرِّب FaceNet على ما بين 100 و200 مليون صورة وجه مصغّرة تغطّي نحو 8 ملايين هوية. استُخدم الانحدار التدريجي العشوائي مع الانتشار العكسي عبر الشبكة بالكامل، والهامش $\alpha$ مضبوط على 0.2. احتاج التدريب ما بين 1000 و2000 ساعة على عنقود معالجات، والدقة ظلّت تتحسّن حتى بعد 500 ساعة — مما يدلّ على أنّ تعلّم المقاييس بهذا الحجم يحتاج صبراً طويلاً.

أبرز القرارات التدريبية:

• دفعات كبيرة (نحو 1800 مثال) حتى تتوفّر هويات كافية في كل دفعة لاستخراج ثلاثيات مفيدة.
• 128 بُعداً لـالتضمين — جرّبت الورقة 64 و128 و256 و512 ووجدت أنّ 128 يحقّق أفضل توازن.
• محاذاة تقريبية للصور عبر كاشف وجوه بسيط، دون الحاجة إلى محاذاة ثلاثية الأبعاد — الشبكة تعلّمت وحدها التعامل مع تغيّرات الوضعية والإضاءة.

حقّق FaceNet أرقاماً قياسية جديدة على المعيارين الرئيسيين:

• LFW: دقة 99.63% ± 0.09 — أي أنه خفّض نسبة الخطأ مقارنة بأفضل نتيجة سابقة (DeepId2+ عند 99.47%) بنحو 30%. حتى النموذج الأصغر NN3 وصل إلى نتائج لا تختلف إحصائياً عن هذا الرقم.
• YouTube Faces DB: دقة 95.12% ± 0.39، مع خفض الخطأ السابق إلى النصف تقريباً.

لكنّ الأمر اللافت هو حجم التمثيل: 128 رقماً فقط لكل وجه. الأساليب السابقة كانت تستخدم متّجهات من 4096 بُعداً أو أكثر. هذا الضغط بمقدار 32 ضعفاً هو ما يجعل FaceNet قابلاً للعمل على الهاتف المحمول وفي قواعد بيانات بمليارات الوجوه.

الدرس الأهمّ من FaceNet هو أنّ اختيار دالة الخسارة المناسبة قد يكون أهمّ من اختيار البنية المعمارية. الشبكة الالتفافية نفسها مع خسارة تصنيف تُنتج تضمينات عادية، لكن مع خسارة ثلاثية تُنتج تضمينات بمستوى عالمي. ما يُشكّل التمثيل في النهاية ليس حجم الشبكة أو عمقها، بل الإشارة التي تتعلّم منها.