RiO-DETR: DETR for Real-time Oriented Object Detection

إليك ملخص تقني مفصل لورقة البحث بعنوان "RiO-DETR: DETR للكشف عن الأجسام الموجهة في الوقت الفعلي".

1. بيان المشكلة

يعد الكشف عن الأجسام الموجهة (OBB) أمراً بالغ الأهمية لتطبيقات مثل التصوير الجوي، والاستشعار عن بعد، وفهم النصوص في المشاهد، حيث تمتلك الأجسام دورات عشوائية. وبينما حققت الكواشف القائمة على الشبكات العصبية التلافيفية (CNN) (مثل متغيرات YOLO) أداءً في الوقت الفعلي، إلا أن الكواشف من نوع (DETR-style) تخلفت تاريخياً في السرعة بسبب آليات الانتباه الثقيلة وبطء التقارب.

تواجه المحاولات الحالية لتكييف DETR مع الأجسام الموجهة (OBBs) ثلاث عقبات أساسية تمنعها من تحقيق كفاءة الوقت الفعلي:

1. الاقتران الدلالي-الهندسي وانهيار الميزات: إن معاملة التوجيه ($\theta$) كإحداثي هندسي مماثل للموقع $(x, y)$ والحجم $(w, h)$ في استعلامات الموضع يؤدي إلى إدخال الضوضاء. فالتوجيه غالباً ما يكون مدفوعاً بقرائن دلالية (النسيج، الاتجاه) وليس بالهندسة البحتة. علاوة على ذلك، فإن محاذاة جميع رؤوس الانتباه مع المحور الرئيسي للجسم تسبب "انهيار الميزات"، مما يتجاهل المعلومات الهيكلية الجانبية.
2. عدم تطابق الدورية في التحسين: تستخدم فكوك (decoders) الـ DETR القياسية تحديثات إقليدية إضافية (مثل الـ inverse-sigmoid). وهذا يفشل بالنسبة للزوايا لأن المجال دوري ($0 \equiv \pi$). تؤدي التحديثات الإقليدية المباشرة إلى عدم الاستمرارية عند الحدود، مما يؤدي إلى تدرجات غير مستقرة وتحسينات غير موثوقة.
3. بطء التقارب في مساحة البحث الموسعة: تؤدي إضافة بُعد الزاوية إلى توسيع مساحة البحث بشكل كبير لعملية المطابقة ثنائية الأطراف. وتفتقر استراتيجيات الإشراف الكثيف المستخدمة في الكشف الأفقي إلى التنوع الزاوي الكافي لتسريع تعلم الزاوية، مما يؤدي إلى بطء التقارب.

2. المنهجية: RiO-DETR

يقترح المؤلفون RiO-DETR، وهو أول ترانسفورمر للكشف الموجه في الوقت الفعلي. بدلاً من مجرد إضافة فرع زاوية إلى البنى الموجودة، قاموا بإعادة تصميم المكونات الأساسية للتعامل مع الهندسة الموجهة بشكل أصيل. يتكون الإطار من ثلاثة ابتكارات رئيسية:

أ. تقدير الزاوية المدفوع بالمحتوى

لفصل القرائن الدلالية عن الأولويات الهندسية:

• ترميز الاستعلام منزوع الهندسة: يقتصر استعلام الموضع ($Q_{pos}$) بصرامة على الإحداثيات المكانية $(c_x, c_y, w, h)$، مستبعداً صراحةً الزاوية $\theta$. ويتم استنتاج الزاوية بدلاً من ذلك من استعلام المحتوى القابل للتعلم ($Q_{content}$)، مما يجبر النموذج على الاعتماد على الميزات الدلالية (تدفق النسيج، اتجاه الجسم) للتنبؤ بالتوجيه.
• الانتباه المتعامد المصحح دورانياً: لمنع انهيار الميزات، يتم تقسيم آلية الانتباه متعدد الرؤوس إلى مجموعتين. بالنسبة لزاوية متوقعة $\theta$، يقوم النصف الأول من الرؤوس بأخذ عينات من الميزات المحاذية لـ $\theta$، بينما يأخذ النصف الثاني عينات متعامدة ($\theta + \pi/2$). وهذا يلتقط القرائن الهيكلية الطولية والجانبية دون زيادة العبء الحسابي.

ب. التحسين الدوري المنفصل

لمعالجة الطبيعة الدورية للزوايا:

• التحديث من الخشن إلى الناعم المحدود: بدلاً من التحديثات الإقليدية غير المحدودة، يستخدم تحسين الزاوية آلية محدودة مع عامل اضمحلال طبقي ($\alpha_i$). تقوم الطبقات المبكرة بإجراء تصحيحات خشنة، بينما تقوم الطبقات اللاحقة بالضبط الدقيق، مما يضمن الاستقرار.
• خسارة الدورية لأقصر مسار: تم استبدال خسارة L1 القياسية بـ خسارة Shortest-Path Periodic L1. تقيس هذه المعلمة المسافة الجيوديسية على الدائرة، مما يضمن أن التدرجات تتبع دائماً أقصر مسار بين الزاوية المتوقعة والزاوية الحقيقية، حتى عبر حدود $0/\pi$.

ج. O2O الكثيف الموجه

لتسريع التقارب:

• بناءً على استراتيجية "Dense O2O" (التي تقوم بربط أرباع الصورة لزيادة كثافة الحقيقة الأرضية)، قدم المؤلفون Oriented Dense O2O.
• قبل الربط، يتم تدوير كل ربع بشكل مستقل بزاوية عشوائية من $\{0^\circ, 90^\circ, 180^\circ, 270^\circ\}$.
• هذا يثري اصطناعياً التنوع الزاوي داخل صورة التدريب الواحدة، مما يجبر النموذج على تعلم تنبؤات زاوية قوية عبر توجهات مختلفة دون تكلفة حسابية إضافية.

3. المساهمات الرئيسية

1. أول DETR موجه في الوقت الفعلي: يسد RiO-DETR الفجوة بين الدقة العالية لنماذج DETR والكمون المنخفض المطلوب لتطبيقات الوقت الفعلي.
2. إعادة تصميم بنيوية متوافقة مع المهمة: توضح الورقة أن مجرد نقل تقنيات DETR الأفقية إلى OBBs ليس كافياً. وتقترح حلولاً محددة ومتوافقة مع المهمة لتقدير الزاوية، والتحسين الدوري، والإشراف التدريبي.
3. الكفاءة دون مقايضة الدقة: تعمل الطرق المقترحة (خاصة الانتباه المتعامد وخسارة الدورية) على تحسين الدقة والاستقرار دون زيادة المعلمات، أو عمليات الفاصلة العائمة (FLOPs)، أو زمن الاستدلال.
4. تقييم شامل: أظهرت التجارب المكثفة على DOTA-1.0 و DIOR-R و FAIR-1M-2.0 أداءً هو الأفضل في فئته (SOTA).

4. النتائج التجريبية

تم تقييم النموذج على مجموعات بيانات الاستشعار عن بعد القياسية باستخدام بروتوكولات المقياس الواحد والمقياس المتعدد.

• DOTA-1.0 (مقياس واحد):
  • RiO-DETR-n: يحقق 78.4 AP50 مع زمن استجابة قدره 2.7 ms فقط (TensorRT FP16 على T4)، متفوقاً على YOLO26n-obb (77.7 AP50, 2.8 ms).
  • RiO-DETR-x: يحقق 81.8 AP50 عند 29.9 ms، متفوقاً على متغيرات DETR الثقيلة مثل RHINO-DETR (79.4 AP50, 242.6 ms) و YOLO26x-obb (80.4 AP50, 30.5 ms).
• DIOR-R: يصل RiO-DETR-x إلى 77.43 AP50 عند 17.31 ms، متجاوزاً YOLO26x-obb (76.48%) عند سرعات مماثلة.
• FAIR-1M-2.0: يضع معياراً جديداً للأفضل في فئته بـ 47.4 AP50 (مقياس متعدد)، متفوقاً على YOLO26x-obb (46.7%) و LSKNet-S (46.3%).
• الكفاءة: يحافظ RiO-DETR على زمن استجابة مماثل لمتغيرات YOLO26 عبر جميع المقاييس (من n إلى x)، مما يغلق فجوة الكفاءة طويلة الأمد بين نماذج Transformer و CNN في الكشف الموجه.

5. الأهمية

يمثل RiO-DETR تحولاً جذرياً في الكشف عن الأجسام الموجهة. فهو يثبت أن الترانسفورمرات ذات النهاية إلى النهاية (end-to-end) يمكن أن تكون عالية الكفاءة للكشف الموجه (OBB) في الوقت الفعلي، مما يتحدى هيمنة البنى القائمة على CNN في هذا المجال. ومن خلال حل التحديات الهندسية والتحسينية المحددة للكشف الموجه (الدورية، الاقتران الدلالي-الهندسي، وسرعة التقارب)، توفر الورقة إطاراً قوياً وعملياً يحقق أفضل مقايضة بين السرعة والدقة. يفتح هذا العمل الباب لنشر نماذج كشف عالية الدقة ومستقلة عن الدوران في سيناريوهات الحوسبة الطرفية الحساسة لزمن الاستجابة.