Visual Accommodation: Rethinking Image Scale as a Learnable Variable for Object Detection

ملخص تقني: Ciliary-DETR

بيان المشكلة
تعمل شبكات كشف الأشياء الحديثة، ولا سيما تلك القائمة على بنية DETR (DEtection TRansformer)، عادةً بدقة إدخال ثابتة أثناء الاستدلال. وبينما يعمل تعزيز البيانات متعدد المقاييس (multi-scale data augmentation) أثناء التدريب على تحسين المتانة تجاه التباينات في المقياس، إلا أن مرحلة الاستدلال تفتقر إلى القدرة على التكيف مع العينة المحددة. وخلافاً للنظام البصري البشري، الذي يعدل بؤرة التركيز ديناميكياً (التكيف/accommodation) للحفاظ على إدراك مستقر، تتعامل كواشف الأشياء الحالية مع دقة الصورة كخيار تصميم ثابت بدلاً من كونها متغيراً ديناميكياً يعتمد على البيانات. كما أن طرق تغيير المقياس التكيفية الموجودة غالباً ما تعتمد على بنيات متعددة الفروع، أو استراتيجيات استدلال متعددة، أو مجموعات دقة محددة مسبقاً، مما يعيق القابلية للتوسع والتحسين الشامل (end-to-end optimization). علاوة على ذلك، فإن المقياس الأمثل للإدخال لصورة معينة هو أمر غير قابل للملاحظة بطبيعته ويفتقر إلى الإشراف الصريح، مما يجعل تحسين المقياس المباشر مسأًلة غير محددة (ill-posed) في ظل إعدادات التدريب القياسية.

المنهجية: Ciliary-DETR
يقترح المؤلفون Ciliary-DETR، وهو إطار عمل يعامل دقة الصورة كمتغير قابل للتعلم، على غرار العضلة الهدبية (ciliary muscle) البيولوجية التي تعدل عدسة العين. يقدم الأسلوب وحدة متنبئ بالمقياس (Scale Predictor) خفيفة الوزن توضع قبل العمود الفقري للكشف (backbone) لتقدير عامل مقياس ($\phi$) يعتمد على المدخلات بشكل ديناميكي.

• البنية: يتكون متنبئ المقياس من عمود فقري خفيف الوزن (ResNet-18) ورأس تنبؤ. يأخذ صورة مدخلة، ويقوم بتقليل عينات منها (down-sampling) لتقليل العبء الحسابي، ويخرج عامل مقياس قياسي مقيد ضمن نطاق مرغوب $[\tau_{min}, \tau_{max}]$. يُستخدم هذا العامل لتغيير حجم الصورة عبر الاستيفاء الثنائي الخطي (bilinear interpolation) قبل تمريرها إلى شبكة الكشف (مثل DN-DETR).
• استراتيجية التدريب: يستخدم إطار العمل عملية تدريب من مرحلتين تعتمد على فلسفة "الشبكة الفائقة" (supernet):
  1. التدريب متعدد المقاييس (MS Training): يتم تدريب شبكة الكشف في البداية باستخدام تعزيز البيانات متعدد المقاييس لبناء المتانة ضد تغيرات المقياس.
  2. التحسين المشترك: يتم تدريب متنبئ المقياس وشبكة الكشف بشكل مشترك. خلال هذه المرحلة، يتم تغيير نطاق الدقة (تدريب الشبكة الفرعية/subnet training) لاستكشاف المقايضات بين الأداء والكفاءة مع مشاركة الأوزان.
• أهداف التحسين: لمعالجة غياب تسميات المقياس (ground-truth scaling labels)، قدم المؤلفون هدفين متكاملين مدفوعين بالخسارة:
  1. خسارة المقياس (Scale Loss): صياغة احتمالية تعتمد على التقاطع الثنائي المستعرض (BCE). وهي تصيغ تفضيل التكبير أو التصغير كدالة لحجم الكائن، باستخدام أحجام المرساة ($A_{min}, A_{max}$) لتحديد مناطق التشبع. تشجع هذه الخسارة الشبكة على تكبير الأجسام الصغيرة وتصغير الأجسام الكبيرة لتوحيد أحجامها الفعلية.
  2. خسارة التوزيع (Distribution Loss): تعمل هذه الخسارة على مواءمة قرارات القياس مع أداء الكشف اللاحق دون إشراف صريح. وهي تصيغ العلاقة بين مقياس الكائن وخسارة الكشف باستخدام توزيع بيتا (Beta distribution) قابل للتعلم. ومن خلال تقليل مسافة 1-Wasserstein بين هذا التوزيع البارامتري والتوزيع التجريبي الملاحظ (المستمد من خسائر الكشف)، تتعلم الشبكة ضبط أحجام المرساة ($A_{min}, A_{max}$) لتتناسب مع المناطق الحساسة للأداء في البيانات.

المساهمات الرئيسية

1. مقياس صورة قابل للتعلم: يقترح البحث صياغة جديدة حيث يُعامل مقياس الصورة كمتغير قابل للتعلم مباشرة، مما يتيح تعديل الدقة ديناميكياً بناءً على البيانات ضمن تمريرة واحدة (single forward pass).
2. التحسين المدفوع بالخسارة: يقدم إطار عمل احتمالي بارامتري لسلوك القياس لا يتطلب تسميات مقياس صريحة. يتيح الجمع بين "خسارة المقياس" و"خسارة التوزيع" تكيفاً مستقراً ومدفوعاً بالبيانات.
3. الاستنتاج متعدد المقاييس في تمريرة واحدة: يسد الأسلوب الفجوة بين المتانة في وقت التدريب (عبر تعزيز MS) والتكيف في وقت الاختبار، محققاً استنتاجاً فعالاً متعدد المقاييس دون العبء الحسابي للاستدلال متعدد الدقة الصريح.
4. النمطية والتوافق: تم تصميم الإطار ليكون متوافقاً مع كواشف DETR الحديثة دون الحاجة إلى تعديلات هيكلية في مسار الكشف نفسه، مما يحافظ على بساطة شبكة الكشف.

النتائج التجريبية
أظهرت التجارب المكثفة على مجموعات بيانات MS COCO وLVIS فعالية Ciliary-DETR:

• المقايضة بين الأداء والكفاءة: مقارنة بالنماذج المرجعية القوية (مثل DN-DETR-R50 وSwin-S)، يحقق Ciliary-DETR مكاسب دقة متسقة (على سبيل المثال، +1.3 AP لـ R50، و+1.1 AP لـ Swin-S) مع تقليل التعقيد الحسابي (GFLOPs) بنسبة تتراوح بين 17-19%.
• التعميم بـ "صفر محاولة" (Zero-Shot Generalization): يمكن تطبيق متنبئ المقياس بـ "صفر محاولة" على بنيات كشف غير مرئية (مثل Deformable-DETR، وDINO-DETR، وH-DETR)، مما يقلل GFLOPs بنسبة 18-19% مع الحفاظ على AP أو تحسينه قليلاً.
• المقارنة مع TTA: يتفوق الأسلوب على اختيار الدقة العشوائي وتعزيز وقت الاختبار (TTA) متعدد المقاييس الساذج. فهو يحقق نتائج قريبة من البحث الشامل (BFS) عن الدقة المثلى (بفارق 0.4-0.5 AP فقط) ولكنه يفعل ذلك بطريقة قابلة للتعلم بالكامل وفي تمريرة واحدة.
• المتانة: أظهر النموذج متانة قوية عبر نطاق واسع من الدقات في وقت الاختبار، متفوقاً على النماذج ذات الدقة الثابتة حتى عند الدقات الخارجة عن نطاق التدريب.

الأهمية والادعاءات
يزعم البحث أن Ciliary-DETR يقدم اتجاهاً متعامداً مع التحسين الهيكلي التقليدي من خلال التركيز على التكيف على مستوى المدخلات. ومن خلال محاكاة التكيف البصري البيولوجي، يتيح إطار العمل استدلالاً مرناً وفعالاً في تمريرة واحدة يتكيف ديناميكياً مع محتوى كل صورة. ويؤكد المؤلفون أن هذا النهج يسد الفجوة بين تعزيز وقت التدريب وتكيف وقت الاختبار، مما يسمح بنشر قابل للتوسع دون إعاقة نمطية مسارات الكشف الحديثة. ويشير العمل إلى أن معاملة الدقة كمتغير قابل للتعلم هي استراتيجية فعالة ومجدية لتحسين كفاءة ودقة أنظمة كشف الأشياء.