💻 computer science

MFil-Mamba: Multi-Filter Scanning for Spatial Redundancy-Aware Visual State Space Models

تُعد MFil-Mamba بنية فضاء حالة بصرية مبتكرة تعالج أوجه القصور في النماذج الرؤيوية الحالية القائمة على نماذج فضاء الحالة (SSM) من خلال توظيف عمود فقري للمسح متعدد المرشحات وآلية وزن تكيفية لالتقاط معلومات مكانية فريدة بأقل قدر من التكرار، مما يحقق أداءً هو الأفضل في فئته عبر مختلف معايير الرؤية الحاسوبية.

المؤلفون الأصليون: Puskal Khadka, KC Santosh

نُشر 2026-03-23

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Puskal Khadka, KC Santosh

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 تعليم روبوت كيف "يرى" ويفهم العالم، مثل التعرف على قطة في صورة أو العثور على لوحة "قف" في شارع مزدحم.

لفترة طويلة، استخدمنا طريقتين رئيسيتين لتعليم الروبوتات:

الطريقة "المحلية" (الشبكات العصبية التلافيفية - CNNs): مثل النظر إلى صورة من خلال ثقب مفتاح صغير. ترى جزءاً صغيراً بوضوح، ثم تحرك ثقب المفتاح قليلاً لترى الجزء التالي. هي رائعة في التفاصيل، لكنها بطيئة في ربط النقاط عبر الصورة بأكملها.
الطريقة "العالمية" (المحولات - Transformers): مثل امتلاك دماغ خارق ينظر إلى الصورة بأكملها دفعة واحدة ويفهم فوراً كيف ترتبط كل بكسل بكل بكسل آخر. هذه الطريقة قوية، لكنها مكلفة وبطيئة للغاية، كأنك تحاول قراءة كل الكتب في مكتبة في وقت واحد.

مؤخراً، ظهرت تقنية جديدة تسمى Mamba. وهي تشبه قارئاً فائق الكفاءة يمكنه قراءة قصة طويلة بسرعة كبيرة (سرعة خطية) مع لا يزال يتذكر السياق. المشكلة هي أن Mamba بُنيت لقراءة النصوص (وهي خط مستقيم)، لكن الصور عبارة عن شبكات ثنائية الأبعاد (مثل رقعة الشطرنج).

الحل القديم: مشكلة "الزيجزاج" (التعرج)

لجعل Mamba تقرأ الصور، حاول الباحثون السابقون فرض الصورة ثنائية الأبعاد في خط أحادي الأبعاد. فعلوا ذلك عن طريق مسح الصورة بأنماط محددة: من اليسار إلى اليمين، ومن الأعلى إلى الأسأس، أو حتى بشكل حلزوني أو على شكل حرف "Z".

التشبيه: تخيل أن لديك أحجية صور مقطوعة (بازل). لكي تعرضها لصديق يفهم فقط الوصف الخطي، تحاول وصفها عبر تتبع مسار محدد.

المشكلة: إذا تتبعت نمط "Z"، فقد تصف الزاوية العليا اليسرى، ثم تقفز إلى الزاوية السفلى اليمنى، ثم تعود إلى المنتصف. أنت تفقد التدفق الطبيعي للصورة. ينتهي بك الأمر بوصف نفس العلاقات عدة مرات (تكرار) وتشويه كيفية ترابط القطع مع بعضها البعض فعلياً. الأمر يشبه محاولة وصف لوحة فنية من خلال النظر إليها عبر قشة ملتوية.

الحل الجديد: MFil-Mamba

قال مؤلفا هذه الورقة البحثية، بوسكال خادكا وك سي سانتوش: "لماذا نجبر الصورة على أن تصبح خطاً؟ دعونا ننظر إليها بشكل مختلف".

لقد ابتكروا MFil-Mamba (Mamba متعدد الفلاتر). وإليكم كيف يعمل، باستخدام استعارات بسيطة:

1. "كاميرا متعددة العدسات" (المسح متعدد الفلاتر)

بدلاً من إجبار الصورة على أن تصبح خطاً واحداً ملتوياً، تنظر MFil-Mamba إلى الصورة من خلال أربع "عدسات" أو فلاتر مختلفة في نفس الوقت:

العدسة 1 (الأصلية): تنظر إلى الصورة كما هي تماماً.
الالعدسة 2 (الحافة الأفقية): تسلط الضوء على الخطوط الأفقية (مثل الأفق أو الطاولة).
العدسة 3 (الحافة العمودية): تسلط الضوء على الخطوط العمودية (مثل جذع شجرة أو مبنى).
العدسة 4 (الفلتر الذكي): عدسة خاصة تتعلم كيفية إيجاد أنماط فريدة خاصة بالمهمة (مثل انحناء أذن القطة).

التشبيه: تخيل أنك تحاول فهم آلة معقدة.

الطريقة القديمة: تمشي حول الآلة بنمط "زيجزاج"، محاولاً وصفها قطعة قطعة بترتيب محدد.
طريقة MFil-Mamba: تضع أربع نظارات مختلفة في آن واحد. إحدى النظارات تبرز البراغي، وأخرى تبرز الأسلاك، وثالثة تبرز الهيكل، ورابعة تبرز الأجزاء المتحركة. تحصل على صورة غنية وكاملة لكيفية ارتباط الأجزاء ببعضها البعض دون الحاجة لإجبارها في خط واحد.

2. "الخلاط الذكي" (الوزن التكيفي)

بمجرد أن ينظر الروبوت من خلال هذه العدسات الأربع، يصبح لديه أربع نسخ مختلفة من الصورة. كيف يدمجها؟

الطريقة القديمة: يقوم فقط بعمل متوسط لها (50% هذا، و50% ذاك).
طريقة MFil-Mamba: لديه خلاط ذكي. يتعلم أن يقول: "لهذا الجزء المحدد من الصورة، عدسة 'الحافة العمودية' هي الأكثر أهمية، لذا سأستمع إليها أكثر. وبالنسبة لهذا الجزء الآخر، فإن العدسة 'الأصلية' هي الأفضل".
التشبيه: الأمر يشبه "دي جي" (DJ) يمزج الموسيقى. بدلاً من تشغيل أربع أغنيات بنفس مستوى الصوت تماماً، يعرف الـ "دي جي" (الذكاء الاصطناعي) متى يرفع صوت "الباص" (الخطوط العمودية) ومتى يرفع صوت الغناء (التفاصيل الأصلية) لإنشاء المقطع الموسيقي المثالي.

لماذا يعد هذا أمراً هاماً؟

تظهر الورقة البحثية أن هذه الطريقة الجديدة أسرع، وأرخص، وأذكى من طرق "الزيجزاج" السابقة.

دقة أفضل: في اختبار ImageNet الشهير (اختبار صور ضخم)، حصل نموذجهم الصغير على درجة 83.2%، متفوقاً على العديد من النماذج الأكبر والأكثر تكلفة.
رؤية أفضل: عند اختبارها في العثور على الأشياء (مثل السيارات في موقف السيارات) أو تقسيم المشهد إلى أجزاء (مثل فصل الطريق عن الرصيف)، كان أداؤها أفضل من نماذج الحالة الراهنة (state-of-the-art).
لا يوجد تشويه: لأنها لا تجبر الصورة على اتخاذ خط غريب، فهي تفهم "شكل" العالم بشكل أفضل بكثير. "مجال الاستقبال الفعال" (مدى ما يمكن للروبوت "رؤيته" في وقت واحد) سلس وطبيعي، وليس متعرجاً واصطناعياً مثل الطرق القديمة.

الخلاصة

MFil-Mamba تشبه ترقية رؤية الروبوت من نهج "الرؤية النفقية" (النظر إلى صورة عبر خط واحد ملتوٍ في كل مرة) إلى نهج "متعدد المنظورات" (النظر إلى الصورة من خلال عدسات متخصصة تفهم الحواف، والأشكال، والسياق في آن واحد).

إنها تثبت أنه ليس عليك إجبار الأوتاد المربعة (الصور) في ثقوب مستديرة (الذكاء الاصطناعي القائم على النصوص) لجعلها تعمل. بدلاً من ذلك، يمكنك بناء أداة جديدة تحترم الشكل ثنائي الأبعاد الطبيعي للعالم، مما يجعل الذكاء الاصطناعي أسرع، وأكثر كفاءة، وأفضل في رؤية ما هو موجود حقاً.

إليك ملخص تقني مفصل لورقة البحث بعنوان "MFil-Mamba: المسح متعدد المرشحات لنموذج فضاء الحالة البصري الواعي بالزيادة المكانية".

1. بيان المشكلة

بينما حققت نماذج فضاء الحالة (SSMs)، ولا سيما بنية Mamba، نجاحاً ملحوقاً في نمذجة التسلسلات أحادية البعد (مثل معالجة اللغات الطبيعية) بفضل تعقيدها الزمني الخطي، إلا أن تكييفها مع الرؤية الحاسوبية لا يزال يمثل تحدياً.

المشكلة الجوهرية: البيانات البصرية هي بطبيعتها ثنائية الأبعاد ذات تبعيات مكانية معقدة، وتفتقر إلى الترتيب التسلسلي الطبيعي الموجود في النصوص.
محدودية النهج الحالية: تحاول متغيرات "Vision Mamba" الحالية (مثل VMamba و ViM) تحويل الصور ثنائية الأبعاد إلى تسلسلات أحادية البعد باستخدام استراتيجيات عبور اتجاهية محددة مسبقاً (مثل العبور ثنائي الاتجاه، أو المسح المتقاطع رباعي الاتجاهات، أو منحنيات هيلبرت، أو مسار الزجزاج).
العواقب: تؤدي طرق العبور الثابتة هذه إلى إدخال زيادة في المعلومات (Redundancy)، وتشويه العلاقات المكانية الأصلية، وتفشل في التقاط التبعيات المكانية المتنوعة بكفاءة. كما أنها غالباً ما تخلق ترتيبات تسلسلية اصطناعية لا تتوافق مع البنية الجوهرية للميزات البصرية.

2. المنهجية: MFil-Mamba

يقترح المؤلفون MFil-Mamba، وهي بنية مبتكرة تستبدل العبور الاتجاهي الصلب باستراتيجية المسح متعدد المرشحات (Multi-Filter Scanning). فبدلاً من إعادة ترتيب البكسلات، يقوم النموذج باستخراج معلومات مكانية متكاملة باستخدام مرشحات ديناميكية قبل معالجتها عبر نموذج فضاء الحالة (SSM).

المكونات الهيكلية الرئيسية:

استراتيجية المسح متعدد المرشحات:
- بدلاً من عبور الصورة في اتجاهات محددة، يتم معالجة خريطة الميزات المدخلة عبر أربعة تمثيلات متميزة:
  - المدخل الأصلي ( $I$ ): يحافظ على الإشارات البصرية الخام.
  - المرشح الأفقي ( $F_h$ ): يلتقط معلومات الحواف الرأسية باستخدام نوى (Kernels) تعتمد على مؤثر "سوبل" (Sobel).
  - المرشح الرأسي ( $F_v$ ): يلتقط معلومات الحواف الأفقية.
  - المرشح الديناميكي ( $F_{k,l,t}$ ): كتلة تلافف (Convolution) قابلة للتعلم ومنفصلة في العمق (depthwise separable) تتكيف مع الأنماط عالية المستوى الخاصة بالمهمة أثناء التدريب.
- يتم دمج هذه الخرائط الأربع لتشكيل تمثيل ميزات غني ومتعدد المنظور ( $F_{concat}$ ) دون فرض ترتيب عبور صريح.
وحدة فضاء الحالة الانتقائية (MFil-SSM):
- يتم تغذية الميزات المدمجة في كتلة SSM انتقائية. يتيح ذلك للنموذج التقاط تبعيات مكانية متنوعة بالتوازي، مستفيداً من كفاءة Mamba مع العمل على تمثيل ثنائي الأبعاد غني بنيوياً.
آلية الوزن التكيفي:
- لدمج مخرجات عمليات المسح المفلترة المختلفة، قدم المؤلفون وحدة وزن تكيفية خفيفة الوزن.
- تستخدم الوحدة أوزانًا قياسية قابلة للتدريب ( $\alpha_i$ ) يتم حسابها عبر دالة Softmax لتجميع المخرجات المفلترة ديناميكياً. وهذا يسمح للشبكة بالتركيز على الميزات المكانية الأكثر إفادة لسياق معين مع تثبيط الميزات الأقل صلة.
البنية الهرمية:
- يتبع النموذج تصميماً هرمياً من أربع مراحل (مشابه لـ Swin Transformer) مع طبقات لخفض العينة (downsampling) بين المراحل.
- يستبدل النموذج شبكة MLP القياسية بـ شبكة تغذية أمامية تلاففية (ConvFFN) لالتقاط الإشارات المكانية المحلية بشكل أفضل.

التبرير النظري

تقدم الورقة تحليلاً نظرياً يوضح أن العبور الاتجاهي يقوم مجرد عملية تبديل لمصفوفة التغاير المكانية ( $\Sigma_{ij} = P_i \Sigma_x P_j^T$ )، مما يؤدي إلى إدخال زيادة في المعلومات دون التقاط تبعيات جديدة. في المقابل، يقوم نهج تعدد المرشحات بإسقاط المدخلات في فضاءات فرعية متعامدة وتكيفية ( $\Sigma_{ij} = F_i \Sigma_x F_j^T$ )، مما يعيد وزن وتوجيه التغاير الأساسي بفعالية لالتقاط تبعيات مكانية متميزة دون تشويه.

3. المساهمات الرئيسية

نموذج مسح مبتكر: تقديم MFil-Mamba، الذي يتخلى عن العبور الاتجاهي الثابت لصالح استراتيجية متعددة المرشحات تستخرج الإشارات الهيكلية والسياقية المتكاملة مباشرة من الخرائط الميزية ثنائية الأبعاد.
الدمج التكيفي: تطوير آلية وزن تكيفي خفيفة الوزن تدمج مخرجات المرشحات المتعددة ديناميكياً، مما يعزز التكامل المكاني للميزات.
ity.
أداء رائد (SOTA): إثبات الأداء المتفوق عبر مهام رؤية متعددة (التصنيف، الكشف، والتقطيع) باستخدام ثلاثة متغيرات من النماذج (Tiny, Small, Base) والتي تفوقت على النماذج القائمة على Transformer و SSM.

4. النتائج التجريبية

تم تقييم النموذج على معايير قياسية: ImageNet-1K (التصنيف)، MS COCO (كشف الأشياء وتقطيع المثيلات)، و ADE20K (التقطيع الدلالي).

تصنيف الصور (ImageNet-1K):
- MFil-Mamba-T (Tiny): حقق دقة 83.2% (Top-1)، متفوقاً على Swin-T (81.3%)، و VMamba-T (82.6%)، و ConvNeXt-T (82.1%).
- MFil-Mamba-B (Base): حقق دقة 84.2% (Top-1)، متفوقاً على Swin-B (83.5%) و VMamba-B (83.9%).
كشف الأشياء وتقطيع المثيلات (MS COCO):
- MFil-Mamba-T: حقق 47.3% Box AP و 42.7% Mask AP، متفوقاً بشكل ملحوظ على Swin-T و PlainMamba-L1.
- MFil-Mamba-B: حقق 49.0% Box AP و 43.8% Mask AP.
التقطيع الدلالي (ADE20K):
- MFil-Mamba-T: حقق 48.5% mIoU (مقياس واحد)، متفوقاً على Swin-T (44.4%) و VMamba-T (47.9%).
دراسات الاستئصال (Ablation Studies):
- أكدت أن استبدال المسح أحادي الاتجاه بالمسح متعدد المرشحات حسن الدقة بنسبة ~0.43%.
- أظهرت أن الوزن التكيفي وفر زيادة إضافية قدرها ~0.12%.
- أثبتت أن مجرد زيادة عمق/عرض النموذج (أبعاد الحالة) لا يضمن أداءً أفضل؛ بل إن التنسيق المتوازن بين المعلمات الفائقة (hyperparameters) أمر بالغ الأهمية.

5. الأهمية والأثر

الكفاءة مقابل الأداء: يحقق MFil-Mamba تعقيداً خطياً (مثل Mamba) مع التغلب على مشكلات التشويه المكاني لنماذج Vision Mamba السابقة، مما يوفر بديلاً أكثر كفاءة للتعقيد التربيعي لنماذج Vision Transformers (ViTs).
التماسك الهيكلي: من خلال تجنب إعادة ترتيب البكسلات التعسفي، يحافظ النموذج على العلاقات المكانية ثنائية الأبعاد الجوهرية للصور، مما يؤدي إلى خصائص أفضل لمجال الاستقبال الفعال (ERF) كما هو موضح في الورقة.
القدرة على التعميم: تعمل البنية كعمود فقري متعدد الاستخدامات لمهام عديدة، مما يثبت أن نماذج SSM يمكن تكييفها بفعالية مع الرؤية دون الاعتماد على قواعد عبور اتجاهية معقدة وثابتة.
الاتجاه المستقبلي: يفتح هذا العمل آفاقاً جديدة لأبحاث SSM في الرؤية، مما يشير إلى أن تعلم التمثيل القائم على المرشحات هو مسار أكثر واعدة من التسلسل القائم على الاتجاهات.

باختصار، يمثل MFil-Mamba خطوة كبيرة للأمام في نماذج Vision SSM من خلال تحويل النموذج من "كيفية المسح" (العبور الاتجاهي) إلى "ما يتم استخراجه" (التمثيل متعدد المرشحات)، مما أدى إلى أداء رائد في مجال الرؤية مع كفاءة عالية.