💻 computer science

Counting Through Occlusion: Framework for Open World Amodal Counting

تقدم هذه الورقة CountOCC، وهو إطار عمل جديد للعد غير النمطي (amodal counting) يتغلب على قيود الطرق الحالية في ظل وجود الاحتجاب من خلال إعادة بناء ميزات الكائنات الكاملة هرميًا عبر التوجيه متعدد الوسائط وأهداف التكافؤ البصري، محققًا أداءً هو الأفضل في فئته على معايير الاختبار الجديدة المعززة بالاحتجاب.

المؤلفون الأصليون: Safaeid Hossain Arib, Rabeya Akter, Abdul Monaf Chowdhury, Md Jubair Ahmed Sourov, Md Mehedi Hasan

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Safaeid Hossain Arib, Rabeya Akter, Abdul Monaf Chowdhury, Md Jubair Ahmed Sourov, Md Mehedi Hasan

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 في غرفة مزدحمة وتحاول عدّ عدد الأشخاص الموجودين هناك.

المشكلة: فشل "الغميضة" (Peek-a-Boo)
معظم برامج الكمبيوتر الحالية تشبه طفلاً يلعب لعبة "الغميضة". إذا استطاع رؤية وجه شخص ما، فإنه يعدّه. ولكن إذا وقف شخص طويل أمامه وحجب الرؤية، يفكر الكمبيوتر: "أوه، هذا الشخص لم يعد موجوداً!"؛ فهو يعد فقط ما هو مرئي بوضوح. إنه يفتقر إلى الخيال الذي يجعله يقول: "مهلاً، أنا أعلم أن هناك شخصاً يقف خلف ذلك الشخص الطويل لأنني أستطيع رؤية حذائه".

في عالم الذكاء الاصطناعي، يُسمى هذا الانسداد (Occlusion). عندما تحجب الأشياء بعضها البعض، يفشل نظام عدّ الأشياء التقليدي تماماً. فهو يرتبك بسبب "الجسم الحاجب" (الشخص الطويل) وينسى الشخص المختبئ.

الحل: CountOCC (المحقق ذو الخيال الواسع)
ابتكر مؤلفو هذه الورقة البحثية نظاماً جديداً يسمى CountOCC. فكر في CountOCC ليس مجرد كاميرا، بل كـ محقق ذو خيال واسع.

بدلاً من مجرد النظر إلى ما هو مرئي، يمتلك CountOCC قوتين خارقتين:

1. وحدة "إعادة بناء الميزات" (الطابعة ثلاثية الأبعاد)

تخيل أن لديك قطعة أحجية (بازل) مكسورة. يحاول الكمبيوتر العادي عدّ الأحجية من خلال النظر إلى الحواف المتعرجة والمكسورة، مما يجعله يرتبك.

أما CountOCC، فينظر إلى القطعة المكسورة ويقول: "أنا أعرف كيف يبدو شكل القطعة الكاملة". إنه يستخدم الأدلة من الأجزاء المرئية (قطعة الأحجية التي تراها) ويدمجها مع "مخطط ذهني" (تم تعلمه من الأوصاف النصية والأمثلة الأخرى) لـ إعادة بناء الجزء المفقود من الشيء في عقله.

التشبيه: الأمر يشبه رؤية سيارة مركونة خلف سياج. الذكاء الاصطناعي العادي يرى سياجاً ومصدّاً للسيارة فقط. أما CountOCC، فيستخدم ذلك المصد ومعرفته بشكل السيارات لـ "طباعة" الجزء الأوسط والخلفي غير المرئي من السيارة في دماغه الرقمي، مما يسمح له بعدّ السيارة بأكملة، وليس فقط المصد.

2. فحص "التكافؤ البصري" (التحقق المزدوج)

للتأكد من أنه لا يقوم بمجرد "الهلوسة" (اختلاق أشياء من العدم)، يستخدم CountOCC نظام "المعلم والتلميذ".

المعلم: ينظر إلى صورة واضحة وغير محجوبة ويتعلم كيف يجب أن تبدو "خريطة الانتباه" (المكان الذي يركز عليه الذكاء الاصطناعي).
التلميذ: ينظر إلى الصورة المحجوبة ويحاول جعل "خريطة الانتباه" الخاصة به مطابقة تماماً لخريطة المعلم.

إذا حاول التلميذ عدّ الأجزاء المرئية فقط، فستبدو خريطة الانتباه الخاصة به مختلفة عن خريطة المعلم، وسيقوم النظام بتصحيحه. هذا يجبر الذكاء الاصطناعي على إدراك أنه: "مهلاً، حتى لو لم أتمكن من رؤية الجزء الخلفي من السيارة، يجب أن يظل تركيزي على السيارة بأكملها، تماماً مثل المعلم".

ميادين التدريب الجديدة

لإثبات نجاح ذلك، لم يكتفِ الباحثون باختبارات الصور العادية، بل أنشأوا اختبارات جديدة وأكثر صعوبة (FSC-147-OCC و CARSK-OCC).

قاموا بأخذ آلاف الصور للسيارات، والناس، والأشياء.
رسموا فوقها مربعات سوداء رقمياً لمحاكاة الحجب الشديد.
طلبوا من الذكاء الاصطناعي عدّ العدد الإجمالي للأشياء، سواء كانت مخفية أو مرئية.

النتائج: قفزة هائلة
عندما أجروا الاختبارات، كان CountOCC نجماً ساطعاً.

الذكاء الاصطناعي القديم: عدّ السيارات المرئية فقط. إذا كانت هناك 5 سيارات مخفية، فإنه سيفقد 5 سيارات.
CountOCC: عدّ السيارات المرئية بالإضافة إلى السيارات المخفية.
النتيجة: قلل أخطاء العد بنسبة تقارب 50% مقارنة بأفضل الطرق السابقة. لقد كان بارعاً لدرجة أنه عمل حتى على مجموعات بيانات لم يسبق له رؤيتها (مثل مواقف السيارات)، مما يثبت أنه تعلم حقاً مفهوم عد الأشياء المخفية، ولم يقم فقط بحفظ الإجابات.

لماذا يهم هذا؟

الأمر لا يقتصر فقط على عد السيارات. تخيل:

المزارعون: عد المحاصيل المختبئة خلف الأعشاض الطويلة لمعرفة كمية الغذاء التي سيحصدونها.
المصانع: عد العناصر على حزام ناقل حتى عندما تحجب الصناديق الرؤية.
سلامة الحشود: تقدير عدد الأشخاص في حشد كثيف، حتى لو كانوا متزاحمين لدرجة أنك لا ترى منهم سوى الرؤوس.

باختصار:
الذكاء الاصطناعي السابق كان مثل شخص يعد فقط ما يمكنه رؤيته بعينين مفتوحتين. أما CountOCC فهو مثل شخص يمكنه إغلاق عينيه، واستخدام ذاكرته ومنطقه، ومع ذلك يخبرك بالضبط عدد الأشخاص الموجودين في الغرفة، حتى لو كان نصفهم يختبئ خلف جدار. إنه يعلم الحواسيب كيف "ترى" ما لا يُرى.

إليك ملخص تقني مفصل لورقة البحث "Counting Through Occlusion: Framework for Open World Amodal Counting" (CountOCC).

1. بيان المشكلة

تحدي الحجب في العد في العالم المفتوح:
تتفوق طرق عد الكائنات الحالية في العالم المفتوح (مثل CountGD وLOCA وCounTR) في عد الكائنات المرئية بالكامل باستخدام النماذج البصرية أو المطالبات النصية. ومع ذلك، فإنها تفشل بشكل كبير عندما تكون الكائنات محجوبة.

القصور الهيكلي: تعتمد النماذج الحالية على شبكات الظهر (backbone networks) التي تشفر البكسلات المرئية. عندما يكون الكائن محجوباً، تقوم شبكة الظهر بتشفير السطح الحاجب (الخلفية أو الفوضى الأمامية) بدلاً من الكائن المستهدف. يؤدي هذا إلى إفساد التمثيل الميزي (feature representation)، مما يجعل من المستحيل على النموذج استنتاج وجود أو عدد النسخ المخفية.
الفجوة: بينما يمكن للبشر استنتاج وجود الكائنات المحجوبة (الإدراك غير الشكلي/Amodal perception)، تعامل النماذج الحالية في الذكاء الاصطناعي المناطق المحجوبة كخلفية، مما يؤدي إلى نقص حاد في العد في السيناريوهات الواقعية المزدحمة (مثل مواقف السيارات، أو أرفف التجزئة، أو الحشود).

2. المنهجية: CountOCC

يقترح المؤلفون CountOCC، وهو أول إطار عمل للعد غير الشكلي (amodal counting) في العالم المفتوح يقوم بإعادة بناء ميزات الكائنات المحجوبة بشكل صريح. يوسع هذا المعمار نموذج CountGD الأساسي من خلال آليتين جوهريتين:

أ. وحدة إعادة بناء الميزات (FRM)

تعمل وحدة FRM في مساحة الميزات لاستعادة التمثيلات المميزة للمناطق المحجوبة عبر مستويات هرمية متعددة.

الفصل بين المرئي والمحجوب: يقوم النموذج بتفكيك ميزات شبكة الظهر إلى رموز مرئية ( $Z_{vis}$ ) ومواقع محجوبة. يتم تهيئة المواقع المحجوبة برموز استعلام قابلة للتعلم ( $Q_0$ ) مشتقة من تضمين قناع قابل للتدريب.
دمج الانتباه الهرمي:
1. الانتباه الذاتي (Self-Attention): تقوم استعلامات الحجب بنمذجة العلاقات المتبادلة بين المواقع المقنعة.
2. الانتباه المتقاطع (المكاني) (Cross-Attention - Spatial): تستعلم الاستعلامات من الرموز المرئية ( $Z_{vis}$ ) لتجميع السياق المكاني من المناطق غير المحجوبة.
3. الانتباه المتقاطع (الدلالي) (Cross-Attention - Semantic): يتم تعديل الاستعلامات الموجهة مكانياً بواسطة تضمينات بصرية-نصية مدمجة ( $Z_{v,t}$ ) لحقن التوجيه الدلالي الخاص بالفئة.
إعادة البناء: تقوم شبكة MLP بتحويل هذه الاستعلامات المشروطة إلى ميزات معاد بناؤها ( $\hat{Z}_{occ}$ )، والتي تحل محل الميزات الفاسدة في المناطق المحجوبة.

ب. إشراف التكافؤ البصري (VisEQ)

لضمان اتساق الميزات المعاد بناؤها دلالياً مع الكائنات الحقيقية، قدم المؤلفون إطار عمل لتقطير "المعلم-الطالب" يعمل في مساحة الانتباه.

إعداد المعلم والطالب:
- المعلم (Teacher): يعالج الصورة الأصلية غير المحجوبة لإنشاء خريطة انتباه "الحقيقة الأرضية" ( $G_T$ ).
- الطالب (Student): يعالج الصورة المحجوبة (مع الميزات المعاد بناؤها) لإنشاء خريطة انتباه ( $G_S$ ).
محاذاة الانتباه القائمة على التدرج: باستخدام نهج GradCAM المشروط باللغة، يحسب النموذج خرائط الانتباه بناءً على درجة المطابقة بين مخرجات فك التشفيد (decoder) والمطالبات النصية/النماذج.
دوال الخسارة:
- خسارة تشابه الانتباه ( $L_{sim}$ ): تفرض تشابه $\ell_2$ وتشابه جيب التمام (cosine similarity) على مستوى البكسل بين $G_T$ و $G_S$ ، مما يضمن تركيز الطالب على نفس أدلة الكائن مثل المعلم رغم الحجب.
- خسارة اتساق منطقة الاهتمام ( $L_{cst}$ ): تمنع الحلول البديهية (مثل التنبؤ بالصفر في كل مكان) من خلال فرض تنشيط متوسط عالٍ وتباين منخفض في المناطق الواثقة.

ج. استراتيجية التدريب

منهج تعليمي من مرحلتين:
1. المرحلة 1: تدريب وحدة FRM فقط باستخدام خسائر إعادة البناء ( $\ell_2$ ، cosine، Charbonnier) على بيانات FSC-147 المحجوبة اصطناعياً.
2. المرحلة 2: تدريب مكونات FRM و VisEQ بشكل مشترك، لتحسين المحاذاة بين الرؤى المرئية والمحجوبة.
تعزيز البيانات: يتم تطبيق حجب مدرك للكائنات أثناء التدريب، حيث يتم تثبيت الأقنعة المستطيلة على الكائنات الحقيقية لمحاكاة الحجب الجزئي أو الكلي الواقعي.

3. المساهمات الرئيسية

أول إطار عمل غير شكلي للعالم المفتوح: يعد CountOCC أول طريقة تعيد بناء وتستنتج حالات الكائنات المحجوبة صراحة في بيئة العالم المفتوح (فئات عشوائية محددة بالنص أو النماذج).
مكونات معمارية مبتكرة:
- وحدة إعادة بناء الميزات (FRM): تستعيد الميزات المميزة للفئة للمناطق المخفية باستخدام انتباه مكاني-دلالي هرمي.
- التكافؤ البصري (VisEQ): يفرض اتساق الانتباه بين الرؤى المحجوبة وغير المحجوبة عبر تقطير المعلم-الطالب.
مقاييس جديدة: وضع المؤلفون بروتوكولات تقييم صارمة من خلال إنشاء نسخ معززة بالحجب من مجموعات البيانات القياسية:
- FSC-147-OCC: نسخة FSC-147 المعززة بالحجب.
- CARPK-OCC: نسخة CARPK (مجموعة بيانات مواقف السيارات) المعززة بالحجب.
  تحافظ هذه المقاييس على التوصيفات الأصلية مع إدخال أنماط حجب محكومة.
تقييم شامل: تم تقييم إطار العمل على FSC-147-OCC وCARPK-OCC ومجموعة بيانات CAPTURe-Real الموجودة، مما أظهر المتانة عبر المشاهد المهيكلة وغير المهيكلة.

4. النتائج التجريبية

حقق CountOCC أداءً رائداً (SOTA) عبر جميع المقاييس، متفوقاً بشكل كبير على النماذج السابقة (CountGD، LOCA، CounTR، إلخ).

FSC-147-OCC:
- التحقق (Validation): انخفاض بنسبة 26.72% في متوسط الخطأ المطلق (MAE) مقارنة بـ CountGD.
- الاختبار (Test): انخفاض بنسبة 20.80% في MAE.
- RMSE: تحسن بنسبة 34.90% (التحقق) و54.71% (الاختبار).
CARPK-OCC (التعميم صفري المعرفة/Zero-Shot):
- حقق انخفاضاً بنسبة 49.89% في MAE وانخفاضاً بنسبة 47.56% في RMSE مقارنة بـ CountGD.
- أظهر قدرة استثنائية على التعميم في مجالات غير مرئية (مشاهد المرور) دون ضبط دقيق (fine-tuning).
CAPTURe-Real:
- حقق انخفاضاً بنسبة 28.79% في MAE، مما يؤكد الأداء على الحجب القائم على الأنماط.
التطبيق الواقعي: تم اختباره على مجموعة بيانات CrowdHuman (الحجب الطبيعي بين الأشخاص)، حيث أظهر انخفاضاً بنسبة 17.35% في MAE عن CountGD.
دراسات الاستئصال (Ablation Studies): أكدت أن كلاً من إعادة بناء الميزات متعددة المستويات وإشراف VisEQ أمران حاسمان؛ حيث يؤدي إزالة أي منهما إلى تدهور كبير في الأداء.

5. الأهمية والتأثير

تحول في النموذج المعرفي: ينقل العد في العالم المفتوح من "عد ما هو مرئي" إلى "عد ما هو موجود"، مما يسد الفجوة بين الرؤية الحاسوبية والإدراك البشري غير الشكلي.
الفائدة العملية: يعالج مباشرة الاحتياجات الحرجة في إدارة المخزون (التجزئة)، ومراقبة حركة المرور (المواقف)، وتقدير إنتاج المحاصيل الزراعية حيث يكون الحجب شائعاً.
المتانة: يثبت أن إعادة بناء الميزات الصريحة ضرورية للتعامل مع "الفساد" الناتج عن الأسطح الحاجبة في شبكات الظهر العميقة.
الاتجاهات المستقبلية: بينما يتفوق النموذج في عد الإجمالي، يشير المؤلفون إلى قصور في التحديد المكاني الدقيق للحالات المخفية (خريطة الكثافة دقيقة، لكن الإحداثيات الدقيقة للكائنات المحجوبة قد تختلف). يمكن للعمل المستقبلي دمج الكشف غير الشكلي الدقيق.

باخت-صار، يحل CountOCC الخلل الهيكلي الأساسي في نماذج العد الحالية من خلال تركيب تمثيلات كاملة للكائنات باستخدام مؤشرات بصرية جزئية وأولويات دلالية، مما يضع معياراً جديداً للعد القوي في البيئات المعقدة والمحجوبة.