Weakly-Supervised Spatiotemporal Anomaly Detection
تقترح هذه الورقة طريقة للكشف عن الشذوذ المكاني والزماني تحت إشراف ضعيف، تستخدم تسميات على مستوى الفيديو وفقدان ترتيب الحالات المتعددة لتحديد حالات الشذوذ الموضعية داخل مقاطع الفيديو، مما يثبت فعاليتها في مجموعة بيانات UCF Crime2Local.
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 مئات كاميرات المراقبة في وقت واحد. مهمتك هي رصد أي شيء غريب يحدث، مثل عراك أو سرقة. المشكلة هي أنك لا تستطيع التحديق في كل شاشة على مدار الساعة طوال أيام الأسبوع، والأشياء الغريبة تحدث نادراً جداً. أنت بحاجة إلى كمبيوتر ليساعدك، لكن تعليم الكمبيوتر أمر صعب لأن تسمية كل ثانية من الفيديو بـ "عراك هنا" أو "سرقة هناك" يستغرق وقتاً طويلاً جداً.
تقترح هذه الورقة البحثية طريقة ذكية لتعليم الكمبيوتر كيفية رصد هذه الأحداث الغريبة دون الحاجة إلى الكثير من التسميات التفصيلية. إليك كيف فعلوا ذلك، مشروحاً ببساًطة:
تشبيه "صندوق الغموض" (الإشراف الضعيف)
عادةً، لتعليم الكمبيوتر، تظهر له مقطع فيديو وتقول: "هل ترى هذا المقطع المحدد لمدة 5 ثوانٍ؟ هذا عراك". لكن في هذه الورقة، قدم الباحثون للكمبيوتر الفيديو بأكمله فقط وقالوا: "هذا الفيديو يحتوي على عراك في مكان ما"، أو "هذا الفيديو طبيعي تماماً".
لقد أطلقوا على هذا اسم الإشراف الضعيف (Weak Supervision). الأمر يشبه إعطاء طالب صندوقاً من قطع "ليغو" المختلطة وقول: "هذا الصندوق يحتوي على قطعة حمراء بداخله"، دون إخباره بالضبط أي قطعة هي الحمراء. على الطالب أن يكتشف بنفسه أي واحدة منها هي المقصودة.
"المكعب الزماني-المكاني" (التقسيم إلى أجزاء)
لحل اللغز، لم ينظر الباحثون إلى الفيديو ككتلة واحدة كبيرة. بل قاموا بتقسيمه إلى كتل ثلاثية الأبعاد صغيرة. تخيل تقطيع رغيف خبز (الزمن) ثم تقطيع كل شريحة منه إلى شبكة (المكان).
- الزمن: قاموا بتقطيع الفيديو إلى مقاطع قصة.
- المكان: قاموا بتقطيع كل مقطع إلى شبكة من المربعات الصغيرة.
الآن، بدلاً من النظر إلى الفيديو بأكمله، ينظر الكمبيوتر إلى هذه "المكعبات" الصغيرة من الفيديو. كل مكعب هو قطعة صغيرة من المكان والزمان.
"حقيبة الحيل" (تعلم تعدد الأمثلة)
استخدم الباحثون استراتيجية تسمى تعلم تعدد الأمثلة (Multiple Instance Learning - MIL). فكر في الأمر كالتالي:
- الحقيبة: مقطع الفيديو الكامل هو "الحقيبة".
- الأمثلة: المكعبات الصغيرة داخل الفيديو هي "العناصر" الموجودة في الحقيبة.
إليك القاعدة التي علموها للكمبيوتر:
- إذا كانت الحقيبة مصنفة على أنها "طبيعية"، فإن كل عنصر داخل هذه الحقيبة يجب أن يكون طبيعياً.
- إذا كانت الحقبة مصنفة على أنها "شاذة" (غريبة)، فإن عنصراً واحداً على الأقل داخل هذه الحقيبة يجب أن يكون غريباً.
مهمة الكمبيوتر هي النظر إلى جميع العناصر في الحقيبة "الغريبة"، وإيجاد العنصر الذي يبدو الأكثر إثارة للريبة، ومنحه درجة عالية. بعد ذلك، يحاول التأكد من أن أعلى درجة في الحقيبة "الغريبة" هي أعلى من أعلى درجة في الحقيبة "الطبيعية".
"عين المحقق" (كيف يعمل النظام)
يستخدم الكمبيوتر "دماغًا" مدرباً مسبقاً (يسمى I3D) وهو بارع بالفعل في التعرف على الحركات البشرية.
- يأخذ مقطع فيديو.
- يقسمه إلى تلك المكعبات الثلاثية الأبعاد الصغيرة.
- يسأل "الدماغ" لوصف ما يراه في كل مكعب.
- يجري اختباراً ليرى ما إذا كان أي من تلك المكعبات يبدو مريباً.
إذا رأى الكمبيوتر عراكاً، فهو لا يكتفي بالقول "عراك!" فحسب، بل يشير إلى المربع الصغير المحدد على الشاشة حيث يحدث العراك ويقول: "الشيء الغريب يحدث هنا تماماً".
النتائج: ما مدى جودته؟
اختبر الباحثون طريقتهم على مجموعة بيانات تسمى UCF Crime2Local، والتي تحتوي على فيديوهات لجرائم من العالم الحقيقي.
- المنافسة: قارنوا طريقتهم بطرق أخرى. إحدى الطرق الأخرى كانت "خاضعة للإشراف"، مما يعني أنها أُعطيت الإحداثيات الدقيقة للجريمة أثناء التدريب (مثل إظهار قطعة الليغو الحمراء للطالب). حصلت تلك الطريقة على درجة تقارب 75%.
- نتيجتهم: طريقتهم، التي لم تكن تعرف الموقع الدقيق أثناء التدريب (تماماً مثل الطالب الذي يخمن مكان القطعة الحمراء)، حصلت على درجة 68%.
على الرغم من أنهم لم يتفوقوا على الطريقة التي تملك جميع الإجابات، إلا أنهم تفوقوا بكثير على الطرق الأخرى التي حاولت أيضاً التخمين بدون الإجابات.
ما الخطوة التالية؟ (الخلاصة)
تخلص الورقة البحثية إلى أن النظر في أين (المكان) ومتى (الزمان) يحدث الحدث هو فكرة جيدة. ومع ذلك، يعترفون بأن كمبيوترهم قد يصبح متحمساً أكثر من اللازم ويحدد عدة نقاط كأماكن "غريبة" بينما يوجد مكان واحد فقط.
للحصول على نتائج أفضل، يقترحون أمرين:
- تشديد القواعد: جعل الكمبيوتر يختار مكاناً واحداً فقط "الأكثر غرابة" لكل فيديو، بدلاً من التخمين في كل مكان.
- مراقبة الحركة: حالياً، ينظر الكمبيوتر بشكل أساسي إلى كيفية ظهور الأشياء. هم يقترحون إضافة "عين" ثانية تراقب كيفية تحرك الأشياء (مثل التدفق البصري - optical flow)، لأن الحركة غالباً ما تكون دليلاً كبيراً في رصد الجرائم.
باخت اختصار، لقد بنوا نظاماً يمكنه تخمين أين يحدث الجرم في الفيديو بمجرد معرفة أن الفيديو يحتوي على جرم، دون الحاجة إلى وجود إنسان يرسم مربعاً حوله أولاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.