QVAD: A Question-Centric Agentic Framework for Efficient and Training-Free Video Anomaly Detection
إن QVAD هو إطار عمل وكيل مركزي قائم على الأسئلة ولا يتطلب تدريباً، يستفيد من الحوار الديناميكي بين نموذج لغوي كبير ونماذج لغوية-بصرية خفيفة الوزن لتحسين الاستعلامات بشكل تكراري، محققاً أداءً رائدًا في كشف الشذوذ في الفيديو بأقل قدر من المعلمات وكفاءة عالية مناسبة للأجهزة الطرفية.
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 حارس أمن يراقب بثاً مباشلاً لساحة مدينة مزدحمة. مهمتك هي رصد أي شيء غريب: مشاجرة تندلع، أو شخص يسرق من متجر، أو حادث سيارة.
الطريقة القديمة (نهج "العقل الكبير"):
تقليدياً، للقيام بذلك، كنت ستوظف محققاً فائق الذكاء ومدرباً تدريباً عالياً (نموذج ذكاء اصطناعي ضخم). لكن هذا المحقق ضخم، ومكلف، ويحتاج إلى مكتب عملاق (خادم قوي) ليعمل. يمكنه رصد أي شيء تقريباً، لكنه بطيء ويكلف ثروة لتشغيله.
المشكلة في الذكاء الاصطناعي "الخالي من التدريب":
مؤخراً، حاول الباحثون استخدام محققين أصغر وأرخص لم يتم تدريبهم على جرائم محددة. لقد سألوهم سؤالاً بسيطاً: "هل يحدث أي شيء غريب هنا؟"
المشكلة هي أن هؤلاء المحققين الأصغر يسهل إرباكهم. إذا رأوا شخصاً يركض، فقد يفكرون: "هل هو لص؟ أم أنه مجرد شخص متأخر عن الحافلة؟" لأن السؤال كان غامضاً جداً، فقد يخطئون في تقدير الجريمة أو يخطئون في فهمها. ولإصلاح ذلك، اعتقد الناس أنه يتعين عليهم توظيف المحقق الضخم والمكلف مرة أخرى.
ظهور QVAD: "المحقق مع دفتر ملاحظات"
يقترح مؤلفو هذه الورقة البحثية، QVAD، حلاً عبقرياً ومنخفض التكلفة. يقولون: "لا توظفوا محققاً أكبر؛ فقط علموا المحقق الصغير كيف يطرح أسئلة أفضل".
إليك كيف يعمل QVAD، باستخدام تشبيه بسيط:
1. الحوار الديناميكي (طريقة "شرلوك هولمز")
بدلاً من سؤال الذكاء الاصطناعي مرة واحدة وقبول الإجابة، يحول QVAD العملية إلى محادثة.
- الجولة الأولى (النظرة الأولى): ينظر الذكاء الاصطنا_للفيديو ويقول: "أرى رجلاً يركض وباب سيارة مفتوح. يبدو الأمر طبيعياً".
- الوكيل (المدير الذكي): يسمع ذكاء اصطناعي ثانٍ أصغر (الوكيل) هذا ويفكر: "انتظر، ركض + باب مفتوح قد يعني سرقة. لست متأكداً. دعني أطرح سؤالاً محدداً".
- الجولة الثانية (المتابعة): يسأل الوكيل الذكاء الاصطنا الأول: "هل يحاول الشخص فتح الباب بالقوة، أم أنه يدخل فحسب؟"
- الإجابة: ينظر الذكاء الاصطنا الأول بدقة ويرد: "آه، أرى الآن. إنه يحاول كسر القفل".
- الحكم: يقول الوكيل الآن: "حسناً، هذه بالتأكيد سرقة. إنذار!"
السحر: من خلال هذا الحوار المتبادل، يمكن لذكاء اصطناعي صغير ورخيص رصد تفاصيل قد تفوت عليه النظرة الواحدة. الأمر يشبه الفرق بين إلقاء نظرة عابرة على لوحة وبين دراسة ضربات الفرشاة بعمق للعثور على توقيع مخفي.
2. "بنك الذاكرة" (تذكر الماضي)
في الفيديو الطويل، قد تحدث جريمة ببطء على مدار دقيقة. إذا نظر الذكاء الاصطناعي فقط إلى الـ 5 ثوانٍ الحالية، فقد يفتقد السياق.
يمنح QVAD الذكاء الاصطنا بنك ذاكرة قصير المدى. فهو يتذكر ما حدث قبل 30 ثانية.
- التشبيه: تخيل أنك تشاهد فيلماً. إذا نظرت إلى إطار واحد فقط، فلن تعرف الحبكة. ولكن إذا تذكرت المشاهد القليلة الماضية، فستفهم سبب ركض الشخصية. يتذكر QVAD "حبكة" الفيديو حتى يتمكن من رصد "التحول المفاجئ" (الشيء غير الطبيعي).
3. "الفلتر الذكي" (تجاهل الأشياء المملة)
تحتوي الفيديوهات على آلاف الإطارات. معظمها ممل (مثل شجرة تتمايل مع الريح).
QVAD ذكي فيما يتعلق بما ينظر إليه. فهو يستخدم فلتر حركة (Motion Filter) لتجاهل الأجزاء المملة والتركيز فقط على الإطارات التي تحدث فيها تغييرات أو حركات فعلية.
- التشبيه: بدلاً من قراءة كل كلمة في كتاب مكون من 500 صفحة، يستخدم QVAD قلم تحديد (هايلايتر) ليقرأ فقط الفصول التي تحدث فيها الأحداث. هذا يوفر كمية هائلة من الطاقة والوقت.
لماذا يعد هذا أمراً هاماً؟
- إنه رخيص: لا تحتاج إلى سوبر كمبيوتر بمليون دولار. هذا النظام فعال للغاية لدرجة أنه يمكنه العمل على جهاز كمبيوتر محمول (لابتوب) أو حتى جهاز صغير مثل NVIDIA Jetson (والذي هو بحجم بطاقة الائتمان).
- إنه سريع: لأنه لا يضيع الوقت في الإطارات المملة أو النماذج الضخمة، يمكنه مشاهدة الفيديوهات في الوقت الفعلي.
- إنه مرن: يعمل على أنواع مختلفة من الفيديوهات (جرائم الشوارع، سرقات المكاتب، حوادث المصانع) دون الحاجة إلى إعادة تدريبه. إنه فقط "يتحدث" ليصل إلى الإجابة.
الخلاصة
يثبت QVAD أنك لست بحاجة إلى ذكاء اصطناعي بـ "قدرات إلهية" لرصد الجرائم. أنت فقط بحاجة إلى ذكاء اصطناً فضولي يعرف كيف يطرح الأسئلة الصحيحة، ويتذكر السياق، ويركز على الأجزاء المهمة. إنه يحول كاميرا بسيطة ورخيصة إلى حارس أمن ذكي ويقظ يمكن تشغيله على جهاز بحجم الجيب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.