NTIRE 2026 Challenge on Video Saliency Prediction: Methods and Results

تخيل أنك تقف في ساحة مزدحمة وصاخبة. هناك أشخاص يصرخون، وسيارات تطلق أبواقها، وطيور تحلق، وفنان شارع يقوم بألعاب التوازن والتحبير. دماغك لا يحاول معالجة كل شيء دفعة واحدة، بل يقوم فوراً بعملية "تقريب" (Zoom in) على الأشياء الأكثر إثارة للاهتمام: لاعب التوازن، أو لافتة نيون وامضة، أو حركة مفاجئة. هذا "التقريب" الطبيعي يسمى البروز البصري (Visual Saliency).

هذه الورقة البحثية تتحدث عن مسابقة رفيعة المستوى (تحدي NTIRE 2026) حيث حاول علماء الحاسوب تعليم الحواسيب القيام بما يفعله دماغك تماماً: اكتشاف أين ينظر الإنسان في مقطع فيديو، إطاراً تلو الآخر.

إليك قصة كيف فعلوا ذلك، مشروحة ببساطة.

1. المشكلة: تعليم الروبوت كيف "ينظر"

لفترة طويلة، كانت الحواسيب بارعة في التعرف على ماهية ما يوجد في الصورة (مثل: "هذا كلب"). لكنها كانت سيئة جداً في فهم أين سينظر الإنسان إلى ذلك الكلب. هل سينظر إلى ذيله؟ عينيه؟ أم إلى الكرة التي يطاردها؟

لحل هذه المشكلة، احتاج المنظمون إلى مكتبة ضخمة من مقاطع الفيديو حيث يعرفون بالضبط أين نظر آلاف الأشخاص.

• الطريقة القديمة: استخدام نظارات تتبع حركة العين المكلفة على المتطوعين. هذا يشبه استئجار مصور شخصي لكل شخص يشاهد فيلماً. إنها عملية بطيئة ومكلفة.
• الطريقة الجديدة (المستخدمة هنا): استخدموا حيلة ذكية؛ حيث طلبوا من أكثر من 5,000 شخص عادي مشاهدة مقاطع فيديو على حواسيبهم وتحريك مؤشرات الماوس (الفأرة) الخاصة بهم كما لو كانوا ينظرون إلى الشاشة.
• النتيجة: بنوا مجموعة بيانات ضخمة تضم 2,000 فيديو مع أكثر من مليون إطار. لقد عاملوا حركات الماوس كأنها "عين رقمية"، مما خلق خريطة توضح الأماكن التي من المرجح أن ينظر إليها الناس.

2. المسابقة: "أولمبياد تتبع العين"

بمجرد حصولهم على البيانات، نظموا مسابقة. شاركت أكثر من 20 فرق من الباحثين والطلاب من جميع أنحاء العالم. كان عليهم بناء نماذج ذكاء اصطناعي يمكنها النظر إلى فيديو ورسم "خريطة حرارية" توضح أين سينظر الإنسان.

استخدم الحكام أربعة مقاييس مختلفة لتقييم مدى جودة الذكاء الاصطناعي:

1. الارتباط (Correlation): مدى تطابق تخمين الذكاء الاصطناعي مع خريطة الإنسان الحقيقية؟
2. التشابه (Similarity): هل تبدو أشكال "البقع الساخنة" متشابهة؟
3. المساحة تحت المنحنى (Area Under the Curve): هل اختار الذكاء الاصطناعي الأماكن الصحيحة بشكل أكبر من التخمين العشوائي؟
4. مسار المسح (Scanpath): هل اتبع الذكاء الاصطناعي نفس المسار الذي اتبعته عيون الإنسان؟

3. الفائزون: كيف فعلت الفرق المتصدرة ذلك؟

وصلت سبعة فرق إلى الجولة النهائية. إليكم كيف بنى المتصدرون "عيونهم الخارقة"، باستخدام بعض الاستعارات الإبداعية:

• 🥇 المركز الأول: فريق "الدماغ المزدوج" (iLearn)

  • الفكرة: لم يثقوا بطريقة تفكير واحدة فقط. بل بنوا ذكاءً اصطناعياً يضم خبيرين يعملان معاً.
  • الخبير الأول: يشبه المحقق الذي يعلم أن البشر عادة ما ينظرون إلى مركز الشاشة أولاً.
  • الخبير الثاني: هو عنصر غير متوقع يبحث عن الأشياء الغريبة وغير المركزية.
  • السحر: تركوا كلا الخبيرين يقدمان تخميناً، ثم قاموا بمتوسط إجاباتهما. الأمر يشبه سؤال محققين مختلفين لحل جريمة ما وأخذ الإجماع بينهما. وقد نجحت هذه الطريقة بشكل أفضل.

• 🥈 المركز الثاني: فريق "المسافر عبر الزمن" (CVSP)

  • الفكرة: استخدم هذا الفريق نموذجاً مدرباً على التنبؤ بالمستقبل.
  • الاستعارة: تخيل مشاهدة فيلم وتخمين ما سيحدث بعد ذلك. إذا أخطأت في التخمين، فإن دماغك يولي اهتماماً إضافياً لتلك اللحظة لأنها كانت مفاجئة. علم هذا الفريق الذكاء الاصطناعي التنبؤ بما سيكون عليه الإطار التالي من الفيديو. وعندما "يُفاجأ" الذكاء الاصطناعي (بسبب خطأ في التنبؤ)، فإنه يحدد تلك النقطة كمنطقة "بارزة" (مهمة).

• 🥉 المركز الثالث: فريق "كعكة الطبقات" (ARK MMLAB)

  • الفكرة: بنوا هرماً من المعلومات.
  • الاستعارة: نظروا إلى الفيديو في طبقات. الطبقة السفلى ترى التفاصيل الدقيقة (مثل ملمس الفراء)، بينما الطبقة العليا ترى الصورة الكبيرة (مثل "كلب يركض"). قاموا بخلط كل هذه الطبقات معاً بحيث يمكن للذكاء الاصطناعي رؤية "الغابة والأشجار" في آن واحد.

• مقاربات رائعة أخرى:

  • "الناظر بالصوت" (AAM): أدركوا أن البشر ينظرون إلى الأشياء التي تتحدث أو تصدر ضجيجاً. لذا دمج ذكاؤهم الاصطناعي بين ما يراه وما يسمعه.
  • "الرسام" (SHU-MIIPLab): استخدموا نموذج "الانتشار" (وهو نفس التقنية المستخدمة في توليد فن الذكاء الاصطناعي). بدأوا بتخمين ضبابي ومشوش، ثم قاموا بـ "تنظيفه" ببطء، مثل رسام يصقل مسودة، حتى ظهرت خريطة الانتباه المثالية.
  • فريق "العدسة المزدوجة" (NTR): استخدموا كاميرتين: إحداهما تركز على الحركة، والأخرى تركز على السكون (التفاصيل)، ثم دمجوا الرؤيتين.

4. لماذا يهم هذا؟

قد تتساءل، "لماذا نحتاج إلى حاسوب ليعرف أين أنظر؟"

• بث أكثر ذكاءً: تخيل مكالمة فيديو. يعرف الحاسوب أنك تنظر إلى وجه الشخص وليس إلى الخلفية. يمكنه إرسال فيديو عالي الجودة للوجه، وفيديو منخفض الجودة للخلفية، مما يوفر عليك البيانات والمال.
• ضغط أفضل للبيانات: يمكن لخدمات البث ضغط مقاطع الفيديو بكفاءة أكبر من خلال التركيز على الأجزاء "المثيرة للاهتمام".
• سهولة الوصول (Accessibility): يمكن أن يساعد الروبوتات على فهم ما يثير اهتمام البشر، مما يجعلهم مساعدين أفضل.
• التحرير (Editing): يمكن أن يساعد المحررين على قص مقاطع الفيديو تلقائياً للحفاظ على أهم الأجزاء داخل الإطار.

الخلاصة

تظهر هذه الورقة البحثية أننا نصبح جيدين جداً في تعليم الحواسيب فهم الانتباه البشري. من خلال استخدام كميات هائلة من البيانات التي جمعها أشخاص عاديون، ودمج استراتيجيات مختلفة وذكية للذكاء الاصطناعي، أثبت الفائزون أن مستقبل الفيديو لا يقتصر فقط على رؤية البكسلات، بل يتعلق بفهم ما يهمنا.

والجزء الأفضل؟ جميع البيانات والأكواد البرمجية الفائزة متاحة مجاناً لأي شخص لاستخدامها، بحيث يمكن بناء الجيل القادم من "العيون الخارقة" على هذا الأساس.