ATLASFusion: Aggregation Tracking with Location-Aware Sparse Fusion for Robust Spatio-Temporal Multi-View Pedestrian Tracking

معضلة المحقق: رؤية الصورة الكاملة

تخيل أنك محقق يحاول تتبع حشد من الناس يتحركون عبر ساحة مدينة مزدحمة، لكن لا يمكنك السير بينهم. بدلاً من ذلك، عليك الاعتماد على فريق من كاميرات المراقبة المثبتة على مبانٍ مختلفة، كل منها ينظر إلى المشهد من زاوية مختلفة قليلاً. هذا هو عالم تتبع الأجسام المتعددة عبر الرؤى المتعددة (MVMOT)، وهو فرع من فروع الرؤية الحاسوبية حيث يحاول الذكاء الاصطناعي تتبع أجسام متعددة — مثل المشاة أو السيارات — عبر لقطات فيديو من كاميرات عديدة في آن واحد.

الهدف بسيط: الحفاظ على "بطاقة اسم" ثابتة لكل شخص أثناء تحركه، حتى عندما يختفي خلف شجرة أو يخرج من مجال رؤية كاميرا واحدة ليدخل في مجال أخرى. ومع ذلك، هناك مشكلة شائكة. فمن أجل استيعاب كل هذه الزوايا المختلفة، غالباً ما تحاول الحواسيب تسطيح العالم ثلاثي الأبعاد إلى خريطة واحدة علوية تُسمى رؤية عين الطائر (BEV). فكر في هذا الأمر كأنك تحاول بسط ورقة مجعدة على طاولة؛ الأجزاء القريبة من المركز تتمدد، بينما الأجزاء القريبة من الحواف تنضغط. وفي العالم الرقمي، يؤدي هذا "التمدد" إلى تشويه سمات الأشخاص البعيدين، مما يجعل من الصعب على الحاسوب التمييز بين هوياتهم. إذا ارتبك الحاسوب بشأن شكل الشخص أو موقعه، فقد يفقد بطاقة تعريفه أو يخلط بينه وبين شخص آخر. تتناول هذه الورقة البحثية تحديداً مشكلة التشوه هذه لمساعدة الحواسيب على تتبع الأشخاص بشكل أكثر موثوقية.

---

ATLASFusion: صانع الخرائط الذكي

قدم الباحثون وراء هذه الدراسة، بقيادة كيسوكي تويدا وزملاؤه، نظاماً جديداً يسمى ATLASFusion. يمكنك التفكير في هذا النظام كصانع خرائط فائق الذكاء يرفض السماح لمشكلة "التمدد" بإفساد الصورة النهائية. وبدلاً من سحق جميع لقطات الكاميرا معاً بشكل أعمى، يستخدم ATLASFusion ثلاث حيل ذكية للحفاظ على دقة وقوة التتبع.

1. قاعدة "عدم التمدد" (التحويل المنظوري المتفرق)
تخيل أنك تحاول رسم خريطة لمدينة، ولكن لديك فقط بضع نقاط لتمثيل المباني. إذا حاولت توصيل النقاط برباط مطاطي (وهو ما تفعله الطرق القديمة)، فستتمدد المباني البعيدة لتصبح خطوطاً طويلة وضبابية. يقول ATLASFusion: "لا". فبدلاً من التمدد، يستخدم تحويلاً منظورياً متفرقاً (Sparse Perspective Transform). فهو يختار فقط النقاط الصحيحة والواضحة من الكاميرا ويضعها في مكانها الدقيق على الخريطة، دون محاولة ملء الفجوات بتخمينات ضبابية. هذا يحافظ على أشكال الأشخاص مدمجة ومتميزة، حتى عندما يكونون بعيدين، مما يمنع تأثير "الخطوط الضبابية" الذي يربك الأنظمة الأخرى.

2. الثقة في التفاصيل القريبة (التجميع المرجح المدرك للكثافة)
عندما تنظر إلى حشد، يمكنك رؤية الأشخاص الموجودين أمامك مباشرة بوضوح شديد، لكن الأشخاص البعيدين يبدون صغيرين وضبابيين. كانت الطرق القديمة غالباً ما تعامل البكسلات الضبابية البعيدة بنفس طريقة معاملة البكسلات الواضحة القريبة، مما أفسد الخريطة النهائية. ATLASFusion أكثر ذكاءً في هذا الشأن؛ فهو يستخدم التجميع المرجح المدرك للكثافة (Density-Aware Weighted Aggregation)، وهو يشبه إعطاء "درجة ثقة" لكل معلومة. يقول النظام: "أنا أثق في التفاصيل من الأشخاص الواقفين أمام الكاميرا مباشرة أكثر من التفاصيل الضبابية من خلف الحشد". ومن خلال إعطاء وزن أكبر للميزات الموثوقة والقريبة، ووزن أقل للميزات المهتزة والبعيدة، ينشئ النظام خريطة أكثر سلاسة ودقة دون وجود الفراغات الغريبة أو الإنذارات الكاذبة التي تحدث عند حساب المتوسط لكل شيء.

3. تمرين "الممارسة الفردية" (الإشراف على BEV لكل زاوية رؤية)
قبل أن يلعب فريق رياضي مباراة كبيرة معاً، يتدرب كل لاعب على حركاته الفردية بشكل مستقل للتأكد من براعته. وبالمثل، فإن العديد من أنظمة التتبع السابقة كانت تتحقق فقط مما إذا كانت الخريطة المجمعة النهائية صحيحة، متجاهلة ما إذا كان كل كاميرا تقوم بعملها بشكل جيد. يغير ATLASFusion القواعد؛ فهو يستخدم الإشراف على BEv لكل زاوية رؤية (Per-View BEV Supervision)، والذي يجبر كل كاميرا على تعلم كيفية إنشاء خريطة جيدة بمفردها قبل دمجها. هذا يضمن أن كل كاميرا هي لاعب قوي ومستقل. وعندما تجتمع أخيراً لدمج بياناتها، تكون النتيجة أقوى بكما لأن كل كاميرا كانت مدربة بالفعل لتكون دقيقة.

النتائج: عيون أحدّ، وأيدي أكثر ثباتاً

اختبر الفريق نظام ATLASFusion على مجموعتي بيانات شهيرتين: WildTrack، التي تستخدم لقطات من العالم الحقيقي من سبع كاميرات في ساحة خارجية، وMultiViewX، وهي مجموعة بيانات اصطناعية تم إنشاؤها بواسطة محرك ألعاب. كانت النتائج مبهرة.

في مجموعة بيانات WildTrack، حقق ATLASFusion درجة تتبع (IDF1) بلغت 95.9%، وهي الأعلى بين جميع الطرق التي تمت مقارنتها. وهذا يعني أنه حافظ على هوية المشاة بشكل شبه مثالي. وفي مجموعة بيانات MultiViewX، حسن دقة تحديد مواقع الأشخاص (MODP) من 75.0% إلى 89.2%.

لكن السحر الحقيقي حدث عندما أصبحت الأمور فوضوية. اختبر الباحثون كيفية تعامل النظام مع "الضجيج"، مثل عندما تكون إعدادات الكاميرا غير دقيقة تماماً (ضجيج المعايرة). عندما أضافوا ضجيجاً كبيراً إلى إعدادات الكاميرا، فشل نظام منافس يسمى TrackTacular تماماً، حيث انخفضت دقته إلى 0.0%. ومع ذلك، صمد ATLASFusion بقوة، محتفظاً بدقة 40.1%. وبالمثل، عندما خفضوا دقة الفيديو (جعلوا الصور أقل وضوحاً بمقدار النصف)، انهار نظام آخر يسمى MVTr تماماً، بينما فقد ATLASFusion 1.1% فقط من دقته.

ولعل الأهم من ذلك، وجد المؤلفون أن كل هذه التحسينات جاءت بتكلفة ضئيلة جداً على سرعة الحاسوب. عمل ATLASFution بسرعة 9.90 إطاراً في الثانية (FPS)، وهو ما يكفي للاستخدام في الوقت الفعلي، واستخدم نفس مقدار الذاكرة التي استخدمها النظام الأساسي.

ماذا يعني هذا؟

تشير الورقة البحثية إلى أنه من خلال تجنب التمدد غير الطبيعي، والثقة في البيانات الموثوقة أكثر من البيانات الضبابية، وتدريب كل كاميرا لتكون حادة بشكل مستقل، يمكننا بناء أنظمة تتبع أكثر قوة ضد الأخطاء. وبينما لا يزال النظام يفترض أن الأرض مسطحة ويتطلب كاميرات تمت معايرتها مسبقاً، يوضح المؤلفون أن هذه التقنيات الثلاث تقلل بشكل كبير من الارتباك الذي يحدث عادةً عند محاولة دمج زوايا الكاميرا المختلفة. إنها خطوة نحو بناء "محققين آليين" لا يفقدون أثر الحشد أبداً، حتى عندما تصبح الرؤية ضبابية قليلاً أو لا تكون الكاميرات متوافقة تماماً.