Loss Landscape Topology Reveals Why Simple Baselines are Competitive at 3D Point Cloud Segmentation Under Class Imbalance

تخيل أنك تحاول تعليم روبوت فهم العالم، ولكن بدلاً من إعطائه صورة فوتوغرافية مسطحة، قدمت له سحابة من ملايين النقاط الصغيرة العائمة. هذا هو عالم تقسيم السحابة النقطية ثلاثية الأبعاد (3D point cloud segmentation). فكر في هذه النقاط كأنها عملية رش طلاء رقمي لشارع مدينة أو داخل منزل، حيث تمتلك كل نقطة موقعاً في الفضاء. مهمة الروبوت هي النظر إلى هذه السحابة الفوضوية والقول: "هذه النقطة هي شجرة، وتلك هي سيارة، وتلك هي شخص".

الجزء الصعب هو أن العالم الحقيقي فوضوي. في مشهد شارع نموذجي، هناك ملايين النقاط التي تمثل الأرض والمباني، ولكن هناك فقط حفنة من النقاط التي تمثل لافتة مرور أو دراجة هوائية. يُسمى هذا عدم التوازن بين الفئات (class imbalance). الأمر يشبه محاولة تعلم لغة جديدة حيث 9% من الكلمات التي تسمعها هي "الـ" و"و"، لكن الكلمات الأكثر أهمية هي الكلمات النادرة مثل "قف" أو "خطر". في عالم الصور ثنائية الأبعاد (مثل الصور الفوتوغرافية)، طور العلماء حيلًا متطورة لإجبار الحواسيب على الانتباه لهذه الأشياء النادرة. ولكن عندما حاولوا جلب تلك الحيل نفسها إلى السحب النقطية ثلاثية الأبعاد، حدث شيء غريب: لم تبدُ تلك الحيل المتطورة فعالة كما كان متوقعاً. تغوص هذه الورقة البحثية في "سبب" هذا الغموض، مستكشفةً الشكل الخفي لعملية التعلم لترى ما إذا كنا نحتاج حقاً لتلك الأدوات المعقدة أم أن النهج البسيط هو السلاح السري في الواقع.

مفاجأة التقسيم الثلاثي الأبعاد الكبرى

تخيل أنك طاهٍ يحاول إتقان وصفة لحساء يحتوي على الكثير من البطاطس (الفئة الأكثر انتشاراً) وقليل جداً من أعشاب نادرة وثمينة (الفئة الأقل انتشاراً). في عالم الصور ثنائية الأبعاد، استخدم الطهاة لفترة طويلة "معززات نكهة" خاصة (دوال خسارة معقدة) للتأكد من أن الكمبيوتر يتذوق الأعشاب بنفس قوة تذوقه للبطاطس. ولكن عندما جرب مؤلفو هذه الورقة البحثية نفس معززات النكهة هذه على السحب النقطية ثلاثية الأبعاد، اكتشفوا حقيقة صادمة: الوصفة الأبسط غالباً ما يكون طعمها جيداً بنفس القدر.

اختبر الباحثون 11 "معزز نكهة" مختلفاً — وهي صيغ رياضية مصممة لإصلاح عدم التوازن — مقابل النهج القياسي البسيط (المسمى الإنتروبيا المتقاطعة مع التوزين الموحد - Cross-Entropy with uniform weighting). لقد أجروا تجاربهم على مجموعتي بيانات مختلفتين تماماً: إحداهما تمثل رؤية جوية خارجية لمدينة (DALES) حيث كان عدم التوازن شديداً (6 41 حبة بطاطس مقابل كل عشب نادر واحد)، والأخرى تمثل مسحاً لغرفة داخلية (S3DIS) حيث كان عدم التوازن متوسطاً (56 حبة بطاطس مقابل كل عبشة نادرة واحدة).

النتيجة؟ لم تفز معززات النكهة المتطورة في مسابقة الطهي. في الواقع، كان النهج القياسي البسيط منافساً للطرق المتخصصة، حيث كان عادةً ضمن نطاق 0.8% إلى 3.3% من أفضل درجة ممكنة. وفي بعض الحالات، جعلت معززات النكهة المتطورة الحساء مذاقه أسوأ، مما أدى إلى انخفاض الأداء بشكل كبير.

لماذا فشلت الحيل المتطرة؟

لفهم سبب تعثر الطرق المعقدة، لم ينظر المؤلفون إلى الطعم النهائي (الدرجة) فحسب؛ بل نظروا تحت الغطاء إلى عملية التعلم. لقد استخدموا ثلاثة أنواع من "المجاهر" لرؤية ما يحدث داخل دماغ الروبوت.

1. فخ الدقة والاستدعاء (Precision-Recall Trap)
أولاً، نظروا في أخطاء الروبوت. وجدوا أن الطرق المتطورة كانت رائعة في رصد الأعشاب النادرة (زيادة الاستدعاء - recall)، لكنها كانت سيئة جداً في تجاهل البطاطس (تدمير الدقة - precision). كان الأمر يشبه جهاز كشف المعادن الذي يصدر صوتاً عند كل قطعة معدن، بما في ذلك أغطية الزجاجات غير الضارة، فقط ليتأكد من أنه لن يفوت عملة ذهبية. بدأ الروبوت يصرخ "عشب!" عند كل حبة بطاطس يراها. هذا الارتباك يعني أنه بينما وجد المزيد من العناصر النادرة، فقد ارتكب أيضاً الكثير من الإنذارات الكاذبة، مما جعل الدرجة الإجمالية ثابتة أو حتى أسوأ.

2. رقصة حدود القرار (Decision Boundary Dance)
بعد ذلك، نظروا إلى الخطوط غير المرئية التي يرسمها الروبوت للفصل بين "الشجرة" و"الأرض". وجدوا أنه في مجموعة البيانات ذات عدم التوازن الشديد (DALES)، وجد النهج البسيط وادياً ضيقاً وآمناً في مشهد الاحتمالات. إذا حاولت الطرق المتطورة الرقص بعيداً عن هذا الوادي، فإنها تسقط من فوق منحدر، وينهار الأداء. كان النهج البسيط يجلس في النقطة المثالية تماماً. ومع ذلك، في مجموعة البيانات ذات عدم التوازن المتوسط (S3DIS)، كان المشهد عبارة عن هضبة مسطحة. هنا، لم يكن يهم أين تقف؛ فكل الطرق تعمل بنفس المستوى تقريباً. لم تستطع الطرق المتطرة إيجاد بقعة "أفضل" لأن المنطقة بأكملها كانت بالفعل مسطحة وجيدة.

3. شكل مشهد التعلم (Shape of the Learning Landscape)
أخيراً، رسموا خريطة لـ "تضاريس" عملية التعلم. تخيل عملية التعلم كمتسلق يحاول العثور على أدنى نقطة في سلسلة جبال ضبابية (الحل الأفضل).

• على مجموعة البيانات الشديدة (DALES): كانت التضاريس عبارة عن أخدود عميق وضيق. وجد النهج البسيط قاع هذا الأخدود. إذا حاولت استخدام طريقة متطرة للتحرك ولو قليلاً، فستصطدم بالجدران شديدة الانحدار وتنزلق للأسفل. لقد أجبرت هندسة البيانات الحل في هذا المسار الضيق.
• على مجموعة البيانات المتوسطة (S3DIS): كانت التضاريس عبارة عن مرج واسع ومسطح. سواء استخدمت طريقة متطرة أو بسيطة، كنت تسير على نفس الأرض المسطحة. لم يكن هناك أخدود عميق لتسقط فيه، ولا مسار خاص لتجده.

الخلاصة الكبرى

يشير المؤلفون إلى أن السبب في نجاح هذه الحيل المتطورة في الصور ثنائية الأبعاد وصعوبتها في السحب النقطية ثلاثية الأبعاد يعود إلى طبيعة البيانات نفسها. تعتمد الصور ثنائية الأبعاد على الملمس واللون، والتي يمكن أن تكون صعبة التوازن للغاية. لكن السحب النقطية ثلاثية الأبعاد تعتمد على الهندسة (Geometry). الطريقة التي ينظر بها الروبوت إلى العالم — عبر تجميع النقاط القريبة معاً — قد توازن الفئات لك بشكل طبيعي. فعندما يكون عنصر نادر موجوداً (مثل شخص)، فإنه يخلق تجمعاً كثيفاً من النقاط التي ينتبه إليها الروبوت بشكل طبيعي، دون الحاجة إلى دفعة رياضية.

لذا، في المرة القادمة التي تقوم فيها ببناء روبوت للتنقل في عالم ثلاثي الأبعاد، لا تشعر بالضغط لاستخدام أكثر معالجات عدم التوازن تعقيداً و"حداثة". تشير الورقة البحثية إلى أن النهج البسيط والقياسي غالباً ما يكون قوياً، موثوقاً، ومنافساً تماماً. قد تقدم الطرق المتطرة دفعة صغيرة (حوالي 1-3%)، لكنها تحمل أيضاً خطر جعل الأمور أسوأ بكثير إذا لم يتم ضبطها بدقة. في عالم السحب النقطية ثلاثية الأبعاد، أحياناً يكون المسار الأبسط هو الذي يؤدي إلى أفضل رؤية.