Exploring Decoupled Spatio-Temporal Consistency Learning and Self-Prompting Evolution for Self-Supervised Tracking

تخيل عالماً يمكن فيه لكاميرا هاتفك أن تتبع كلباً يركض، أو بالوناً ينجرف، أو سيارة مسرعة دون أن يضطر أي شخص لرسم مربع حولها أولاً. هذا هو حلم التتبع البصري للأجسام، وهو فرع من علوم الحاسوب حيث يتعلم الذكاء الاصطناعي كيف يبقي عينيه مثبتتين على شيء محدد أثناء حركته عبر الفيديو. لسنوات طويلة، كان تعليم هذه "العيون" الاصطناعية يشبه تعليم طفل القراءة باستخدام بضعة كتب مكتوبة بخط اليد ومكلفة فقط. كان على الباحثين رسم مربعات يدوياً حول الأجسام في آلاف الفيديوهات لإظهار ما يجب على الكمبيوتر البحث عنه. كانت هذه العملية بطيئة، مملة، ومكلفة للغاية، مما حد من مدى ذكاء أدوات التتبع هذه. السؤال الكبير في هذا المجال هو: هل يمكننا تعليم الذكاء الاصطناعي التعلم من ملايين الفيديوهات الموجودة بالفعل على الإنترنت، حيث لم يرسم أحد مربعاً واحداً؟ تكمن الإجابة في التعلم الخاضع للإشراف الذاتي، وهي خدعة ذكية حيث يعمل الكمبيوتر كمعلم لنفسه، مستخدماً الأنماط الخاصة بالفيديو لفهم ما هو مهم.

إليك SSTrack++، وهو نموذج جديد ولامع اقترحه فريق من الباحثين يحاول حل هذا اللغز دون الحاجة إلى تلك المربعات المكلفة المرسومة يدوياً. فكر في الطريقة القديمة لتعليم المتتبع بأنها تشبه إظهار صورة قطة لطالب وقول: "هذه قطة". أما الطريقة الجديدة، التي يستخدمها SSTrack++، فهي تشبه تسليم الطالب فيلماً كاملاً لقطة تركض وقول: "اكتشف ماذا تفعل القطة وإلى أين تتجه، باستخدام الفيلم نفسه فقط". وجد الباحثون أن المحاولات السابقة لهذا الأمر كانت متعثرة بعض الشيء؛ فقد حاولوا تخمين موقع القطة بمجرد النظر إلى أماكن عشوائية، مما جعلهم يرتبكون غالباً بسبب ضجيج الخلفية.

ولإصلاح ذلك، صمم الفريق نظاماً يعمل مثل رقصة من خطوتين. أولاً، يقوم الذكاء الاصطناعي بـ نظرة أمامية شاملة، حيث يمسح إطار الفيديو بأكمله للعثؤ على المكان الذي قد يكون فيه الهدف، تماماً مثل محقق يمسح غرفة مزدحمة لرصد مشتبه به. وبمجرد حصوله على فكرة تقريبية، ينتقل إلى نظرة خلفية محلية، حيث يقترب بدقة لدراسة كيف يتغير مظهر الهدف وحركته بمرور الوقت، مثل محقق يدرس مشية المشتبه به وملابسه. ومن خلال الفصل بين هاتين المهمتين — تحديد الموقع وفهم الحركة — يتعلم النموذج بشكل أسرع وأكثر دقة.

لكن هنا تكمن الخدعة السحرية الحقيقية: التطور بالتحفيز الذاتي. تخيل أن لدى الذكاء الاصطناعي "ملاحظة لاصقة" يحملها معه، تصف مظهر الهدف. في النماذج القديمة، كانت هذه الملاحظة ثابتة ويمكن أن تصبح قديمة إذا استدار الهدف أو اتسخ. SSTrack++ مختلف؛ فهو يعيد كتابة ملاحظته الخاصة باستمرار. بعد كل إطار، يسأل الذكلو الاصطناعي نفسه: "هل أصبت في هذا؟" ثم يحدث ملاحظته بأفضل التفاصيل الأكثر وضوحاً التي رآها للتو، مستبعداً الأجزاء الضبابية أو المربكة. إنه يشبه المحقق الذي يستمر في تحسين رسمه للمشتبه به مع حصوله على لمحات أفضل، مما يضمن بقاء الوصف حاداً حتى في وسط زحام فوضوي.

كما قدم الباحثون طريقة لتعليم الذكاء الاصطناعي كيفية التمييز بين الأجسام المختلفة دون معلم. استخدموا طريقة تسمى التعلم التبايني للنماذج، وهي تشبه لعب لعبة "أوجد الفروق" مع الذكاء الاصطناعي. يُعرض للكمبيوتر نفس الجسم من زوايا وأوقات مختلفة (مطابقات إيجابية)، ثم تُعرض عليه أجسام مختلفة تماماً (مطابقات سلبية). فيتعلم أن يدرك: "آه، هذه الكتلة الضبابية وتلك الكتلة الواضيحة هما نفس الكلب، لكن ذلك السنجاب مختلف تماماً". يساعد هذا النموذج على بناء خريطة داخلية قوية لما هو الهدف حقاً، حتى عندما يختبئ خلف شجرة أو يتحرك بسرعة.

عندما اختبر الفريق نموذجهم الجديد على عشر مجموعات بيانات مختلفة، كانت النتائج مبهرة. ففي مجموعة بيانات GOT10K، حسّن SSTrack++ درجته بأكثر من 25.8% مقارنة بطرق التعلم الخاضعة للإشراف الذاتي السابقة؛ وفي LaSAOT، قفز بنسبة 21.4%، وفي TrackingNet، ارتفع بنسبة 15.8%. ورغم أنه لم يلحق تماماً بأفضل النماذج التي تستخدم المربعات المرسومة يدوياً، إلا أنه قلص الفجوة بشكل كبير. ويشير المؤلفون إلى أن هذا النهج يمكن أن يكون نقطة تحول لجعل أنظمة التتبع أرخص في البناء وأفضل في التعامل مع العالم الحقيقي الفوضوي وغير المتوقع، حيث لا يمكننا دائماً التوقف لرسم المربعات. ومع ذلك، يعترفون بأن النظام لا يزال يعتمد قليلاً على مدى جودة تخمينه الأول (النظرة الأمامية)، مما يشير إلى أنه لا تزال هناك مساحة لجعل المحقق أكثر حدة.