Rethinking Multi-Branch and Cross-Backbone Fusion for Vehicle Re-Identification in the Foundation-Model Era

تخيل أنك تحاول العثان عن سيارة محددة في مدينة مليئة بآلاف المركبات المتشابهة تماماً. هذه هي مهمة "إعادة تحديد هوية المركبات" (Vehicle Re-Identification أو Re-ID)، وهي بمثابة قوة خارقة لأنظمة المرور الذكية التي تساعد الكاميرات على تتبع السيارة أثناء انتقالها من زاوية شارع إلى أخرى. لسنوات طويلة، كان السر وراء التحسن في هذا المجال هو "التنوع". اعتقد المهندسون أنه إذا بنيت فريقاً من الخبراء المختلفين للنظر إلى السيارة، فإن المجموعة ستكون أذكى من أي شخص بمفرده. كانوا يقسمون العمل: قد ينظر خبير إلى العجلات، وآخر إلى السقف، وثالث يستخدم أسلوب تفكير مختلف تماماً (مثل عقل بشري مقابل عقل آلي) لالتقاط التفاصيل التي فاتت الآخرين. كانت الفكرة الكبرى هي أن المزيد من التنوع يعني أخطاءً أقل. ولكن ماذا يحدث عندما تمنح فريقك عقلاً عبقرياً منذ البداية؟ هل يظل إضافة مساعدين أمراً مفيداً، أم أنه يصبح مجرد عائق؟

هذه الورقة البحثية، التي كتبها يو وانغ وهونغيو يانغ، تغوص مباشرة في هذا السؤال. لقد اختبرا نوعاً حديثاً وقوياً من عقول الذكاء الاصطناعي (يسمى "النموذج التأسيسي" أو Foundation Model) في مهمة البحث عن السيارات. وبدلاً من بناء فريق فوضوي من خبراء متعددين، تساءلا: "ماذا لو استخدمنا خبيراً واحداً ذكياً جداً وعلمناه بشكل مثالي؟". أجريا تجربة ضخمة على مجموعتي بيانات شهيرتين للسيارات، VeRi-Wild و VeRi-776، باستخدام مجموعة صارمة من القواعد لضمان عدالة النتائج. لم يكتفيا بالتخمين؛ بل قاما بقياس كل شيء بأدوات عالية الدقة، للتحقق مما إذا كانت الأجزاء المختلفة من ذكائهما الاصطناعي ترى بالفعل أشياءً مختلفة أم أنها تكرر بعضها البعض فقط.

النتيجة التي وجداها هي بمثابة تحول غير متوقع في عالم الذكاء الاصطناعي. اكتشفا أنه عندما تبدأ بنموذج تأسيسي فائق الذكاء، فإن قاعدة "المزيد هو الأفضل" القديمة تنهار. فعندما حاولا دمج عدة "رؤوس" (خبراء مختلفين) على نفس العقل، لم يصبح الخبراء فريقاً متنوعاً؛ بل بدأوا جميعاً يفكرون بنفس الطريقة تماماً. كان الأمر يشبه توظيف خمسة محققين قرروا جميعاً النظر إلى نفس الدليل وبنفس الطريقة. وحتى عندما حاولا مزج نوعين مختلفين تماماً من العقول — أحدهما قياسي والآخر نموذج "ترانسفورمر" (Transformer) متطور — لم يستطع النوع المتطور إضافة أي شيء مفيد. في الواقع، كان العقل الواحد المضبط جيداً بنفس جودة الفريق بأكمله، لكنه كان أسرع وأرخص في التشغيل. وتخلص الورقة إلى أنه لهذه المهمة المحددة، ومع هذا النوع المحدد من العقول الذكية، لا تحتاج إلى لجنة. أنت تحتاج فقط إلى سوبر ستار واحد، ووصفة تدريب صحيحة، وحيلة ذكية للتحقق من النتائج في النهاية.

قصة الخبير الخارق الوحيد

على مدار عقد من الزمن تقريباً، كان مجتمع الذكاء الاصطناعي مهووساً بفكرة أن التنوع هو الملك. وفي عالم إعادة تحديد هوية المركبات، كان هذا يعني بناء أنظمة معقدة ذات بنيات متعددة الفروع (multi-branch architectures). تخيل فريق تفتيش سيارات حيث يفحص شخص لوحة الترخيص، وآخر نقش الإطارات، وثالث طلاء السيارة. كانت النظرية هي أنه من خلال تقسيم العمل إلى مسارات متوازية، سيلتقط النظام تفاصيل أكثر مما يمكن لشخص واحد التقاطها. حتى أن بعض الفرق حاولت استخدام دمج الهياكل المتقاطع (Cross-Backbone Fusion)، وهو ما يشبه توظيف محقق بشري ومحقق آلي للعمل معاً، على أمل أن تغطي طرق رؤيتهما المختلفة نقاط الضعف لدى كل منهما.

كان الافتراض بسيطاً: تمثيلات أكثر تنوعاً تعني نتائج أفضل. لكن هذه الورقة تطرح سؤالاً حاسماً: هل لا يزال هذا يعمل عندما نستخدم "النماذج التأسيسية"؟

النماذج التأسيسية تشبه العباقرة المدربين مسبقاً. لقد قرأت بالفعل الإنترنت بأك Assist (أو في هذه الحالة ملايين الصور) وتعلمت كيف ترى العالم قبل أن تطلب منها القيام بمهمة محددة. تساءل المؤلفان، وانغ ويانغ: إذا بدأت بعقل يكاد يكون مثالياً في رؤية السيارات، فهل هناك أي مجال لعقل ثانٍ للمساعدة؟ أم أن العقل الأول يعرف بالفعل كل ما يحتاج لمعرفته؟

التجربة: عقل واحد مقابل الفريق بأكمله

لمعرفة ذلك، أعد المؤلفان مواجهة عادلة. أخذا ذكاءً اصطناعياً قوياً مدرباً مسبقاً يسمى DINOv3-ConvNeXt وأعطياه "وصفة" محددة لتدريبه. لم تكن هذه الوصفة سحراً؛ بل كانت مجرد جدول زمني دقيق لكيفية تعليم الذكاء الاصطناعي، بما في ذلك متى يتم تجميد عقله، ومتى يُسمح له بالتعلم بحرية، وكيفية ضبط سرعة تعلمه.

اختبرا هذا العقل الواحد على مجموعتي بيانات رئيسيتين:

1. VeRi-Wild: مجموعة ضخمة من صور السيارات تضم آلاف السيارات المختلفة.
2. VeRi-776: مجموعة أصغر قليلاً، ولكنها صعبة للغاية، تُستخدم لمعرفة ما إذا كان بإمكان الذكاء الاصطناعي التعميم في مواقف جديدة.

وقارنا عقلهم الواحد المدرب جيداً بأقوى الفرق الموجودة حالياً والتي تستخدم فروعاً متعددة وحتى البيانات الوصفية (معلومات إضافية مثل زوايا الكاميرا).

النتيجة: العقل الواحد فاز. أو بالأحرى، تعادل.
وصل نموذج DINOv3-ConvNeXt المنفرد، مع وصفة التدريب الصحيحة، إلى درجة دقة بلغت 88.19 mAP (وهي مقي scal للبحث) في مجموعة بيانات VeRi-Wild Small. وهذا طابق أداء الأنظمة الأكثر تعقيداً وتعدد الفروع التي تعتمد على بيانات وصفية إضافية. وعندما أضافوا خطوة "إعادة الترتيب" (re-ranking) (وهي طريقة ذكية للتحقق المزدوج من أفضل النتائج)، قفزت النتيجة إلى 92.38 mAP.

وجد المؤلفان أن العقل الواحد كان بجودة الفريق بأكمله، ولكنه كان أسرع بمقدار 2.8 مرة وتطلب عمليات حسابية أقل بمقدار 3 مرات (FLOPs).

تفنيد أسطورة "التنوع"

الجزء الأكثر إثارة في الورقة هو كيف أثبتا لماذا فشل نهج الفريق. لم ينظرا فقط إلى النتيجة النهائية؛ بل نظرا داخل عقل الذكاء الاصطناعي ليريا ما تفعله "الرؤوس" المختلفة فعلياً.

1. انهيار الهيكل الموحد (جيش المستنسخين)
عندما وضعا أربعة "رؤوس" مختلفة على نفس الهيكل، توقعا أن ينظر كل منها إلى أجزاء مختلفة من السيارة. بدلاً من ذلك، وجدا أنه مع تدريب الذكاء الاصطناعي، بدأت جميع الرؤوس الأربعة تفكر بنفس الطريقة تماماً.

• التشبيه: تخيل أنك وظفت أربعة محققين. في البداية، ينظر أحدهم إلى الأحذية، والآخر إلى القبعة، والثالث إلى الحقيبة، والرابع إلى الوجه. ولكن مع عملهم معاً، يبدأ الجميع في النظر إلى الوجه لأن ذلك هو المكان الذي توجد فيه الأدلة الأكثر وضوحاً. وفي النهاية، يصبح الجميع يحدقون في نفس البقعة.
• البيانات: قاس المؤلفان هذا باستخدام أداة تسمى تشابه جاكارد (Jaccard similarity). وجدا أن الرؤوس المختلفة كانت متطابقة بنسبة تتراوح بين 83.5% إلى 84.1% فيما استرجعته. لقد كانوا مستنسخين في الأساس. دمجهم لم يساعد لأنهم جميعاً كانوا يرتكبون نفس الأخطاء ويجدون نفس المطابقات.

2. فشل الدمج بين الهياكل (الثنائي غير المتوافق)
بعد ذلك، جربا نهج "البشر مقابل الروبوت". أخذا عقل ConvNeXt (الإنسان) وحاولا دمجه مع عقل Transformer (الروبوت). كانا يعلمان أن هذين النوعين من العقول يختلفان بطبيعتهما.

• الإعداد: قاما بتجميد عقل ConvNext بحيث لا يتغير، ليعمل كـ "مرساة دلالية" (نقطة مرجعية مستقرة)، وقاما بتدريب الـ Transformer ووحدة الدمج فقط. جربا ثلاث وصفات تدريب مختلفة للتأكد من أن الـ Transformer ليس كسولاً.
• النتيجة: عانى عقل الـ Transformer. فحتى مع أفضل تدريب، لم يستطع الوصول إلا إلى حوالي 73 mAP، بينما كان عقل ConvNeXt عند 88.19 mAP.
• الدمج: عندما حاولا دمجهما، لم يصبح النظام أفضل. في الواقع، قرر "الأوراكل" (النظام المثالي والنظري الذي يعرف أفضل طريقة لخلط الاثنين) إعطاء الـ Transformer وزناً صفرياً. لقد كان أسوأ لدرجة أن النظام تجاهله تماماً. لم يضف الدمج أكثر من 0.11 mAP (كمية ضئيلة جداً وغير مؤثرة إحصائياً) فوق العقل الواحد.

لماذا حدث هذا؟

تقدم الورقة تفسيراً واضحاً: المسارات المشتركة (Shared Trajectories).
عندما تدرب رؤوس متعددة على نفس الهيكل، فإنها تتبع نفس المسار. جميعها تُدفع نحو نفس "الحل" في عالم الرياضيات. لا تظل متنوعة؛ بل تنهار في حالة من التكرار.
علاوة على ذلك، يلعب تشويه الضبط الدقيق (Fine-Tuning Distortion) دوراً أيضاً. فعندما تأخذ عبقرياً مدرباً مسبقاً وتعلمه خدعة جديدة، فإن "رؤيته" الأصلية للعالم تتعرض للتشويه لتناسب المهمة الجديدة. الاختلافات التي كانت موجودة في البداية (مثل الطرق المختلفة التي يرى بها كل من CNN و Transformer الأشياء) تُمحى مع محاولتهما حل مشكلة السيارة بنفس الطريقة.

حدود الكفاءة

يخلص المؤلفون إلى أنه بالنسبة لإعادة تحديد هوية المركبات في عصر النماذج التأسيسية، فإن "حد الكفاءة" (أفضل أداء ممكن بأقل قدر من الجهد) يبدو كالتالي:

• هيكل واحد قوي: استخدم نموذجاً تأسيسياً واحداً قوياً (مثل DINOv3-ConvNext).
• الوصفة الصحيحة: دربه بعناية باستخدام جدول زمني محدد (تراجع معدل التعلم على مراحل).
• إعادة ترتيب متفرقة دقيقة: استخدم حيلة ذكية موفرة للذاكرة للتحقق من النتائج العليا.

هذا المزيج يطابق أداء أكثر الأنظمة تعقيداً وتعدداً للفروع، ولكنه يكلف جزءاً بسيطاً من القدرة الحسابية.

ماذا يعني هذا للمستقبل؟

لا تقول الورقة إن التنوع ليس مفيداً أبداً. بل تقول إنه بالنسبة لهذه المهمة المحددة، وهذا النوع المحدد من الذكاء الاصطناعي، وبهذا النطاق من البيانات، فإن التنوع لا يؤتي ثماره. قاعدة "المزيد هو الأفضل" قد انكسرت.

لقد كان المؤلفون حذرين في ذكر ما قد يثبت خطأهم (المكذبات الخاصة بهم):

• إذا وجد شخص طريقة لتدريب Transformer يسد الفجوة مع عقل ConvNext.
• إذا استخدموا نوعاً مختلفاً تماماً من التدريب المسبق يحافظ على تميز العقول.
• إذا جربوا هذا على مجموعة بيانات أصغر بكثير حيث لم يصل العقل الواحد بعد إلى مرحلة "التشبع".

لكن في الوقت الحالي، الرسالة واضحة: توقفوا عن بناء فرق فوضوية من الخبراء. بدلاً من ذلك، ابحثوا عن عبقري واحد، علموه جيداً، واتركوه يقوم بالعمل. إنه أسرع، وأرخص، وأكثر ذكاءً.