← أحدث الأبحاث
💻 computer science

ORMOT: A Dataset and Framework for Omnidirectional Referring Multi-Object Tracking

تقدم هذه الورقة البحثية مهمة ORMOT، وهي مهمة جديدة توسع نطاق تتبع الكائنات متعددة المراجع إلى الصور شاملة الاتجاهات للتغلب على قيود مجال الرؤية، مدعومة بمجموعة بيانات ORSet التي تم إنشاؤها حديثاً وإطار عمل نموذج الرؤية واللغة الكبير ORTrack.

المؤلفون الأصليون: Sijia Chen, Zihan Zhou, Yanqiu Yu, En Yu, Wenbing Tao

نُشر 2026-03-06
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Sijia Chen, Zihan Zhou, Yanqiu Yu, En Yu, Wenbing Tao

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 تحاول العثور على صديق معين في ساحة مدينة مزدحمة باستخدام كاميرا فيديو.

المشكلة القديمة (كاميرا "رؤية النفق"):
معظم كاميرات الفيديو الموجودة حالياً تشبه النظر من خلال أنبوب كرتوني طويل. يمكنك فقط رؤية ما هو موجود مباشرة أمامك. إذا مشى صديقك خلف مبنى أو تحرك إلى الجانب، فإنه يختفي من مجال رؤيتك. إذا قلت للكمبيوتر: "ابحث عن الشخص الذي يفتح الباب ثم يصعد الدرج"، فقد تفقد الكاميرا العادية أثره بمجرد دخوله خلف جدار. عندها يرتبك الكمبيوتر مفكراً: "مهلاً، هل اختفى؟ أم أنه شخص آخر؟". هذه هي مشكلة تقنية تتبع الأجسام بالإشارة (RMOT) الحالية؛ فهي بارعة في العثور على الأشياء، لكنها تعاني عندما تكون رؤية الكاميرا محدودة أو عندما تتضمن التعليمات سلسلة طويلة من الأحداث التي تحدث بمرور الوقت.

الحل الجديد (حوض السمك بزاوية 360 درجة):
قرر مؤلفو هذه الورقة البحثية، ORMOT، إصلاح ذلك عبر الانتقال إلى الكاميرات متعددة الاتجاهات (Omnidirectional Cameras). فكر في هذه الكمرات ليس كأنبوب، بل كـ حوض سمك أو قبة أمنية ترى كل شيء حولها — 360 درجة، طوال الوقت.

إليك تفصيل مساهماتهم الثلاث الكبرى، مشروحة ببساساة:

1. المهمة الجديدة: "العين التي ترى كل شيء"

بدلاً من مجرد تتبع الأجسام، هم يريدون من الكمبيوتر تتبع الأجسام بناءً على أوصاف لغوية (مثل "الرجل الذي يرتدي قبعة حمراء ويركل الكرة") ولكن في عالم بزاوية 360 درجة.

  • التشبيه: تخيل أنك تلعب لعبة "أين والدو؟" (Where's Waldo?) ولكن الكتاب عبارة عن كرة ضخمة دوارة. إذا تحرك والدو حول الجزء الخلفي من الكرة، فإنه لا يختفي؛ بل ينتقل فقط إلى الجانب الآخر من رؤيتك. نظام ORMOT الجديد مصمم لتتبع "والدو" حتى وهو يدور حول الكرة الأرضية، مدركاً أن "المشي حول الزاوية" يعني أنه نفس الشخص، وليس شخصاً جديداً.

2. مجموعة البيانات الجديدة: "ORSet" (مدرسة التدريب)

لتعليم الكمبيوتر هذه المهارة الجديدة، لم يكن بإمكانهم استخدام فيديوهات قديمة؛ فقد احتاجوا إلى ساحة تدريب خاصة.

  • التشبيه: لقد بنوا مكتبة ضخمة تسمى ORSet. إنها تشبه استوديو أفلام عملاق يحتوي على 27 "غرفة" (مشاهد) مختلفة تم تصويرها بكاميرات 360 درجة.
  • اللمسة المميزة: لم يكتفوا بتصنيف الأشخاص فحسب، بل كتبوا سيناريوهات لهم. فبدلاً من مجرد قول "الشخص أ"، كتبوا جملًا معقدة مثل: "الشخص الذي يدفع الباب ليفتحه، ويمشي عبر الرواق، ثم يختفي عن الحافة اليسرى للشاشة".
  • لماذا هي مميزة: في فيديو عادي، "الاختفاء عن الحافة اليسرى" يعني أن الشخص قد رحل. أما في عالم الـ 360 درجة هذا، فإن "الاختفاء عن اليسار" يعني فقط أنه على وشك "الظهور مجدداً من اليمين". تعلم مجموعة البيانات الكمبيوتر فهم هذه القواعد الفريدة لزاوية 360 درجة.

3. الإطار العملي الجديد: "ORTrack" (المحقق الذكي)

لقد بنوا عقلاً اصطناعياً جديداً يسمى ORTrack لحل هذه الألغاز.

  • التشبيه: تخيل محققاً لديه مكتبة فائقة القوة (نموذج لغوي بصري ضخم) داخل رأسه.
    • الخطوة 1 (البحث): عندما تعطيه وصفاً ("ابحث عن الشخص الذي يحمل حقيبة ظهر")، فإن الذكاء الاصطناعي لا يبحث فقط عن "حقائب الظهر". إنه يفهم الجملة؛ فهو يعرف شكل الحقيبة حتى لو كان الشخص بعيداً أو كانت الصورة مشوهة بسبب عدسة الـ 360 درجة.
    • الخطوة 2 (التقريب): يستخدم الذكاء الاصطناعي حيلة ذكية تسمى "القص على مرحلتين" (Two-Stage Cropping). يأخذ نظرة واسعة وضبابية للمكان بأكمله لأخذ السياق، ثم يقرب (Zoom) بدقة على الشخص المحدد لرؤية وجهه أو ملابسه بوضوح. الأمر يشبه النظر إلى خريطة للمدينة بأكملها، ثم التكبير على زاوية شارع محددة.
    • الخطوة 3 (الربط): بينما يعمل الفيديو، يقوم الذكاء الاصطناعي بربط الشخص من إطار إلى إطار آخر. حتى لو قامت كاميرا الـ 360 درجة بتشويه الصورة (جعل الطريق المستقيم يبدو منحنياً)، فإن الذكاء الاصطناعي يستخدم "عقله" ليعرف: "آه، هذا لا يزال نفس الشخص الذي يمشي في خط مستقيم".

لماذا يهم هذا؟

  • لا مزيد من "الأهداف المفقودة": في عالم الـ 360 درجة، نادراً ما يختفي الناس تماماً؛ هم فقط يتحركون حول الدائرة. يضمن هذا النظام عدم فقدان الكمبيوتر لتتبعهم أبداً.
  • فهم القصص المعقدة: يمكنه اتباع تعليمات طويلة ومعقدة مثل: "ابحث عن الشخص الذي يدخل الغرفة، ويتحدث مع النادل، ثم يخرج من الباب الخلفي". الأنظمة القديمة كانت ستفقد المسار بعد الخطوة الأولى؛ أما هذا النظام فيتبع القصة كاملة.
  • الاستخدام في العالم الحقيقي: هذا أمر ضخم لأشياء مثل القيادة الذاتية (تحتاج السيارات لرؤية 360 درجة)، وأمن المنازل الذكية (تتبع حيوان أليف أو شخص يتحرك حول المنزل)، والروبوتات (تحتاج الروبوتات لفهم محيطها بالكامل).

باختة القول:
أدرك المؤلفون أن كاميرات "رؤية النفق" الحالية محدودة للغاية بالنسبة للتتبع المعقد في العالم الحقيقي. لذا بنوا عالماً جديداً بزاوية 360 درجة (مجموعة البيانات)، وقواعد جديدة لوصف الحركة في هذا العالم، ومحققاً ذكياً للغاية (ORTrack) يمكنه فهم اللغة وتتبع الأشخاص حتى عندما يتحركون في دائرة كاملة حول الكاميرا. إنه يشبه الترقية من استخدام منظار ثنائي العينين إلى استخدام كرة بلورية لا تفقد أبداً رؤية ما يحدث.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →