💻 computer science

Getting the Numbers Right $\unicode{x2014}$ Modelling Multi-Class Object Counting in Dense and Varied Scenes

تقدم هذه الورقة أول نهج قائم على محولات الرؤية (vision-transformer) لعد الأجسام متعدد الفئات، والذي يجمع بين هيكل Twins-SVT مع فك تشفير CNN متعدد المقاييس ووحدة تجزئة مساعدة لتحقيق أداء هو الأفضل في حالته عبر كل من المشاهد الكثيفة والمنتشرة، متفوقاً بشكل كبير على مقدرات الكثافة والكواشف الحالية.

المؤلفون الأصليون: Villanelle O'Reilly, Jonathan Cox, Georgios Leontidis, Marc Hanheide, Petra Bosilj, James M. Brown

نُشر 2026-04-16

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Villanelle O'Reilly, Jonathan Cox, Georgios Leontidis, Marc Hanheide, Petra Bosilj, James M. Brown

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تقف وسط حشد هائل وفوضوي في مهرجان موسيقي. أنت بحاجة إلى عدّ عدد الأشخاص الذين يرتدون قبعات حمراء، وعدد الذين يحملون مظلات زرقاء، وعدد الذين يحملون جيتارات بدقة تامة.

إذا حاولت عدّهم واحداً تلو الآخر (مثل جهاز كمبيوتر "محقق" تقليدي يبحث عن الوجوه الفردية)، فستشعر بالإرهاق بسرعة. فالناس يحجبون بعضهم البعض، والحشد كثيف جداً، مما سيجعلك تفقد نصفهم.

تقدم هذه الورقة البحثية طريقة جديدة وأكثر ذكاءً لحل هذه المشكلة. فبدلاً من محاولة العثور على كل شخص على حدة، تنظر الطريقة الجديدة إلى الصورة الكاملة كخريطة حرارية.

إليك شرح لكيفية عمل ذلك، باستخدام تشبيهات بسيطة:

١. الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (كشف الأشياء - Object Detection): تخيل حارس أمن يحاول عدّ الحشد من خلال الإشارة إلى كل شخص على حدة وقول: "هذا شخص واحد، وهذا شخص آخر". في الحشود الكثيفة، تفشل هذه الطريقة لأن الناس يتداخلون، ويصاب الحارس بالارتباك.
الطريقة الجديدة (تقدير الكثافة - Density Estimation): تخيل أنك تنظر إلى الحشد من طائرة بدون طيار (درون) وترى "خريطة حرارية". المناطق التي يتواجد فيها المزيد من الناس تتوهج بشكل أقوى. الكمبيوتر لا يعد الرؤوس؛ بل يقيس "حرارة" الحشد. إذا كانت بقعة من الأرض تتوهج باللون الأحمر الساطع، فهو يعلم أن هناك الكثير من الناس هناك. إنه يجمع "الحرارة" الإجمالية للحصول على العدد الكلي. هذا يعمل بشكل أفضل بكثير عندما يكون الناس متراصين بإحكام.

٢. المشكلة: الكثير من الألوان

الجزء الصعب هو أننا في الحياة الواقعية لا نملك نوعاً واحداً فقط من الأشياء. لدينا سيارات، وشاحنات، وحافلات، وأشخاص جميعهم مختلطون معاً.

التحدي: إذا نظر الكمبيوتر فقط إلى "الحرارة"، فقد يعتقد أن تجمعاً من السيارات وتجمعاً من الناس هما مجرد كتلة واحدة كبيرة من "الأشياء". يجب أن يعرف أي حرارة تخص السيارات وأيها تخص الناس.
المحاولات السابقة: حاولت الطرق القديمة فصل هذه الألوان عن طريق وضع "أسوار" (أقنعة/Masks) حولها. ولكن في الحشود شديدة الكثافة، لا يمكنك رسم أسوار واضحة حول كل سيارة دون أن تقطع بالخطأ أجزاءً من الأشخاص المجاورين لها.

٣. الحل: "العين الخارقة" و"مرشح التركيز"

بنى المؤلفون نظاماً جديداً يمتلك قوتين خارقتين رئيسيتين:

أ. "العين الخارقة" (محول الرؤية - Vision Transformer)

تخيل أن عدسة الكاميرا القياسية هي عدسة مكبرة تنظر إلى نقطة واحدة في كل مرة. هذا النظام الجديد يستخدم محول رؤية (تحديداً "Twins-SVT").

التشبيه: تخيل طائراً فائق الذكاء يحلق عالياً فوق المهرجان. هو لا ينظر فقط إلى شخص واحد؛ بل يرى المهرجان بأكمله دفعة واحدة. إنه يفهم السياق (الرؤية الشاملة) بينما يلاحظ أيضاً التفاصيل الصغيرة (مثل حزام جيتار واحد). هذا يساعده على فهم كيفية ارتباط الأشياء ببعضها البعض في مشهد مزدحم بشكل أفضل من الكاميرات القديمة.

ب. "مرشح التركيز" (وحدة تركيز الفئات - Category Focus Module)

هذا هو السر المبتكر للورقة البحثية.

التشبيه: تخيل أنك تحاول عدّ القبعات الحمراء والمظلات الزرقاء في آن واحد. عقلك يصاب بالارتباك لأن القبعات الحمراء تقع بجانب المظلات الزرقاء مباشرة.
الحل: يستخدم النظام خدعة تدريبية خاصة تسمى وحدة تركيز الفئات. أثناء التدريب (وقت التعلم)، يرتدي النظام "نظارات" تساعده على التركيز فقط على القبعات الحمراء مع تجاهل المظلات الزرقاء، ثم ينتقل للتركيز فقط على المظلات الزرقاء.
السحر: بمجرد أن يتعلم النظام كيفية فصل هذه الألوان تماماً، فإنه ينزع النظارات للاختبار النهائي. لا يحتاج لرسم أسوار أو أقنعة بعد الآن. إنه فقط ينظر إلى الخريطة الحرارية ويعرف فوراً: "هذه الحرارة تخص السيارات، وتلك الحرارة تخص البشر". هذا يجعله أسرع وأكثر دقة لأنه لا يرتبك بسبب التداخلات الفوضوية.

٤. لماذا يعد هذا أمراً هاماً؟

اختبر الباحثون هذا النظام على ثلاثة أنواع مختلفة تماماً من "الحشود":
١. شوارع المدينة: عدّ السيارات، والشاحنات، والأشخاص في حركة المرور (VisDrone).
٢. مشاهد الأقمار الصناعية: عدّ السفن، والطائرات، والقوارب من الفضاء (iSAID).
٣. الطبيعة: عدّ أنواع مختلفة من الزهور في مرج (مجموعة بيانات Hicks).

النتائج:

في المشاهد المزدحمة حيث فشلت الطرق القديمة تماماً، كان هذا الأسلوب الجديد أكثر دقة بـ ١٠ مرات من أفضل أجهزة كشف الأشياء الموجودة حالياً (مثل YOLO11).
قلل من أخطاء العد بنسبة تصل إلى ٦٤٪.
يعمل بشكل رائع سواء كان هناك ٥ أشياء أو ٥٠٠٠ شيء في الصورة.

الملخص

هذه الورقة البحثية تشبه الترقية من عدسة مكبرة (تعاني في الزحام) إلى طائرة بدون طيار ذكية وكلية الرؤية يمكنها فوراً فصل أنواع مختلفة من الأشياء من خلال "بصمتها الحرارية" دون الحاجة لرسم خطوط فوضوية حولها. إنها خطوة كبيرة للأمام في عد الأشياء في البيئات المزدحمة والفوضوية في العالم الحقيقي، من الاختناقات المرورية إلى حقول الزهور.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "ضبط الأرقام: نمذجة عد الكائنات متعدد الفئات في المشاهد الكثيفة والمتنوعة".

1. بيان المشكلة

يعد عد الكائنات مهمة حاسمة في الرؤية الحاسوبية ذات تطبيقات في التخطيط الحضري، ومراقبة التنوع البيولوجي، والطب. وبينما تعمل الطرق القائمة على الكشف (مثل YOLO) بشكل جيد في المشاهد المتفرقة، إلا أنها تفشل في البيئات الكثيفة، والمزدحمة، والمحتجبة بشدة حيث تتداخل الكائنات بشكل كبير.

تنقسم الحلول الحالية إلى فئتين:

القائمة على الكشف: تعاني من الكثافة العالية والاحتجاب.
تقدير الكثافة: يتنبأ بخريطة حرارية (heatmap) حيث يساوي تكاملها عدد الكائنات. وبينما يعد هذا فعالاً للفئات المفردة، فإن تقدير الكثافة متعدد الفئات (عد أنواع متعددة من الكائنات في وقت واحد) لا يزال غير مدروس بشكل كافٍ.
- القصور الحالي: غالباً ما تتدهور مقدرات الكثافة متعددة الفئات الموجودة (مثل DSACA) في المشاهد الأقل كثافة. علاوة على ذلك، يعتمد الكثير منها على مهام مساعدة (مثل التجزئة أو الكشف) تتطلب افتراضات محددة أو معالجة لاحقة عند الاستدلال، مما قد يؤدي إلى إدخال أخطاء أو الحد من قدرة النموذج على التعامل مع الكثافة المستمرة في السيناريوهات شديدة الازدحام.
- الفجوة النطاقية: يركز معظم العمل السابق على مجموعات البيانات الحضرية (VisDrone، iSAID) ذات توزيع الفئات الموحد. وهي تواجه صعوبة في مجموعات بيانات التنوع البيولوجي (مثل Hicks) حيث غالباً ما تحتوي العينات على فئة واحدة فقط أو توزيعات منحازة للغاية، وحيث قد لا تظهر الكائنات معاً بشكل طبيعي أبداً.

2. المنهجية

يقترح المؤلفون أول نهج قائم على محول الرؤية (Vision Transformer - ViT) لتقدير الكثافة متعدد الفئات، المصمم للتعامل مع نطاق واسع من الكثافات وتوزيعات الفئات.

أ. نظرة عامة على البنية الهيكلية

يتبع النموذج هيكل (المشفر-المفكك/Encoder-Decoder):

العمود الفقري (المشفر): يستخدم Twins-SVT (وهو محول رؤية هرمي). على عكس المحولات المسطحة، يستخرج الهيكل الهرمي ميزات متعددة المقاييس، وهو أمر بالغ الأهمية للتعامل مع الكائنات ذات الأحجام والكثافات المتفاوتة.
المفكك (Decoder): مفكك CNN متعدد المقاييس يقوم بدمج الميزات الهرمية من العمود الفقري لـ ViT. يتيح ذلك للنموذج الاستفادة من السياق العالمي للمحول مع الحفاظ على الدقة المكانية للشبكات العصبية الالتفافية (CNN).
دالة التنشيط: يستخدم رأس الكثافة دالة Softplus ( $\log(1 + e^{\beta x})$ ). بخلاف ReLU، التي تقطع القيم السالبة (مما قد يؤدي لفقدان معلومات التدرج)، تضمن Softplus مخرجاً موجباً تماماً ومستقراً عددياً مع الحفاظ على قابلية الاشتقاق، مما يضمن التعلم القوي للأعداد الموجبة.

ب. الابتكار الرئيسي: وحدة التركيز على الفئة (CFM)

لمعالجة التداخل بين الفئات (حيث يؤدي وجود فئة ما إلى إرباك عد فئة أخرى)، قدم المؤلفون وحدة التركيز على الفئة (Category Focus Module - CFM):

الوظيفة: تعمل كمهمة قناع مساعدة خفيفة الوزن أثناء التدريب. تقوم باستخراج الميزات من طبقات العمود الفقري المتعددة وتطبق التلافيف المتسعة (dilated convolutions) لزيادة مجال الاستقبال.
التدريب: تتنبأ بقناع تجزئة لكل فئة (غير حصري، مما يسمح للبكسلات بالانتماء إلى عدة فئات).
الاستدلال: من الضروري ملاحظة أن CFM يتم التخلص منها عند الاستدلال. يعتمد النموذج فقط على رأس تقدير الكثافة. وهذا يتجنب "افتراضات التقطع" التي تفرضها الطرق المعززة بالكشف، أو "افتراضات العتبة" التي تفرضها طرق التجزئة المعززة، مما يسمح بتقدير كثافة مستمر تماماً حتى في المشاهد المعقدة.

ج. دالات الخسارة (Loss Functions)

يتم تدريب النموذج باستخدام دالة خسارة مشتركة:

خسارة $L_2$ : تُطبق على خرائط الكثافة لتقليل الخطأ التربيعي لكل بكسل، مع دمج الأخطاء المكانية، وأخطاء تحديد موقع الفئة، وأخطاء العد.
خسارة الإنتروبي المتقاطعة ( $L_{mask}$ ): تُطبق على مهمة قناع CFM المساعدة.
إجمالي الخسارة: $L = (\omega \times L_{mask}) + L_2$ . يعمل عامل الوزن $\omega$ على موازنة المهام، مما يسمح للمعاملات المشتركة بتعلم ميزات قوية مفيدة لكل من تقدير الكثافة والوعي بالفئة.

3. المساهمات الرئيسية

أول مقدر كثافة متعدد الفئات قائم على ViT: يقدم بنية مبتكرة تجمع بين Twins-SVT وCNNs متعددة المقاييس، متفوقاً على الطرق السابقة (SOTA) بمتوسط خفض قدره 46.7% في متوسط الخطأ المطلق (MAE).
القوة عبر الكثافات: يتفوق النموذج في كل من المشاهد المتفرقة والمشاهد شديدة الكثافة. في أكثر العينات ازدحاماً في الاختبار، يتفوق على YOLO11 بمقدار رتبة مقدار كاملة (order of magnitude).
نقاء وقت الاستدلال: تعمل وحدة التركيز على الفئة (CFM) على تحسين الوعي بالفئة أثناء التدريب ولكن يتم إزالتها عند الاستدلال. هذا هو أول نهج يعامل العد متعدد الفئات بالكامل كمسألة تقدير كثافة مستمرة عند الاستدلال، متجنباً قيود خطوط أنابيب الكشف/التجزئة الهجينة.
القابلية للتطبيق عبر المجالات: أثبت نجاحاً في مجموعات بيانات متنوعة، بما في ذلك المشاهد الحضرية (VisDrone، iSAID) ومراقبة التنوع البيولوجي (مجموعة بيانات Hicks)، مما يثبت القدرة على التكيف مع توزيعات الفئات المنحازة.

4. النتائج التجريبية

تم تقييم الطريقة على ثلاث معايير: VisDrone-DET (10 و8 فئات)، iSAID (4 فئات)، وHicks (8 أنواع من الزهور).

VisDrone-DET (8 فئات):
- حقق MAE قدره 2.29 مقارنة بـ 3.43 لـ DSACA و2.65 لـ YOLO11.
- في نطاقات الكثافة المنخفضة (0-10 كائنات)، حقق النموذج المقترح MAE قدره 0.42، متفوقاً بشكل كبير على YOLO11 (1.51) وDSACA (1.85).
- في نطاقات الكثافة العالية (101-1000 كائن)، حقق MAE قدره 8.61، وهو أفضل بكثير من YOLO11 (84.94).
VisDrone-DET (10 فئات):
- قلل MAE من 3.76 (Michel et al.) إلى 1.99.
iSAID (4 فئات):
- حقق MAE قدره 2.84 مقارنة بـ 7.85 (Michel et al.) و10.95 (YOLO11).
- في نطاق 101-10,000 كائن، قلل الطريقة MAE من 50.31 إلى 22.11.
Hicks (التنوع البيولوجي):
- أظهر خفضاً بنسبة 64% في MAE مقارنة بـ DSACA (0.38 مقابل 0.92)، مما يثبت الفعالية في البيئات الطبيعية التي تهيمن عليها فئة واحدة ومتفرقة.

5. الأهمية

سد الفجوة: نجحت الورقة في سد فجوة الأداء بين الطرق القائمة على الكشف (الجيدة للمشاهد المتفرقة) وتقدير الكثافة (الجيد للمشاهد الكثيفة)، مما خلق نموذجاً موحداً يعمل جيداً عبر كامل طيف كثافة الكائنات.
المراقبة البيئية: من خلال التحقق من صحة النموذج على مجموعة بيانات Hicks للتنوع البيولوجي، يوسع هذا العمل فائدة العد الآلي إلى ما وراء المراقبة الحضرية لتشمل المراقبة الزراعية والبيئية، حيث يشيع حدوث احتجاب الكائنات وندرة الفئات.
التقدم المنهجي: يمثل إزالة المهام المساعدة عند الاستدلال خطوة نظرية وعملية هامة، مما يبسط النشر مع الحفاظ على دقة عالية من خلال تحسين تعلم الميزات أثناء التدريب.

في الختام، يضع هذا العمل معياراً جديداً (SOTA) لعد الكائنات متعدد الفئات، حيث يقدم حلاً قابلاً للتوسع وقوياً ومستمراً بالكامل يتفوق على كل من مقدرات الكثافة التقليدية وكواشف الكائنات الحديثة في بيئات متنوعة ومتحدية.