Track-Leakage-Free Hold-Out Self-Validation for Photogrammetric Reconstruction: Protocol, Sensitivity, and Limits

تخيل أنك محقق يحاول حل لغز باستخدام كومة من الصور الفوتوغرافية فقط. ليس لديك خريطة، ولا مسطرة، ولا أي أدلة خارجية لتخبرك أين توجد الأشياء فعلياً في العالم الحقيقي. كل ما تملكه هو الصور نفسها. في عالم الرؤية الحاسوبية، يُطلق على هذا العملية اسم "الهيكلة من خلال الحركة" (Structure-from-Motion - SfM). إنها عملية سحرية حيث ينظر الكمبيوتر إلى مئات الصور الملتقطة من زوايا مختلفة ويستنتج الشكل ثلاثي الأبعاد للمشهد، مثل بناء نموذج طيني رقمي من العدم. تُستخدم هذه التقنية لقياس الشقوق في الجسور، أو رسم خرائط لآبار المناجم، أو إنشاء نماذج ثلاثية الأبعاد لألعاب الفيديو.

لكن الجزء الصعب يكمن هنا: بمجرد أن يبني الكمبيوتر هذا العالم ثلاثي الأبعاد، كيف يعرف ما إذا كان صحيحاً؟ عادةً، للتحقق مما إذا كان قياس ما دقيقاً، تحتاج إلى "حقيقة أرضية" (Ground Truth)—أي مسطرة حقيقية أو مساحاً يستخدم نظام GPS ليقول لك: "نعم، ذلك الشق عرضه بالضبط 3 مليمترات". لكن استدعاء مساح لكل موقع عمل هو أمر مكلف وبطيء. لذا، فإن السؤال الكبير الذي طرحه العلماء هو: هل يمكن للكمبيوتر أن يصحح واجبه المنزلي بنفسه؟ هل يمكنه النظر إلى نموذجه ثلاثي الأبعاد والقول: "أنا متأكد بنسبة 99% أن هذا القياس دقيق"، دون أن يرى مسطرة حقيقية في العالم؟ هذا البحث يتعمق في هذا السؤال تحديداً، ويختبر طريقة ذكية جديدة تحاول من خلالها الحواسيب تقييم عملها الخاص.

---

الفحص الذاتي الذي تعرض للخداع

قرر الباحثون في هذا البحث اختبار طريقة تسمى "التحقق الذاتي من الاستبعاد الخالي من تسرب التتبع" (Track-Leakage-Free Hold-Out Self-Validation). هذا الاسم طويل ومعقد، لذا دعونا نبسطه باستخدام تشبيه بسيط.

تخيل أنك تؤدي اختباراً، ولكن بدلاً من مجرد الإجابة على الأسئلة، عليك أن تصحح امتحانك بنفسك. ولجعل الأمر عادلاً، تقرر إخفاء بعض الأسئلة من نموذج الإجابة الخاص بك. ثم تحاول حل تلك الأسئلة المخفية باستخدام الإجابات التي كتبتها للأسئلة الأخرى فقط. إذا تطابقت إجاباتك عن الأسئلة المخفية مع ما كتبته لبقية الاختبار، فستشعر بالثقة في أنك قمت بعمل جيد.

في عالم الكمبيوتر، يعني هذا:

1. الإعداد: يبني الكمبيوتر نموذجاً ثلاثي الأبعاد باستخدام 100 صورة.
2. "الاستبعاد": يقوم بإخفاء 10 صور من تلك الصور سراً.
3. "الحاجز": هذا هو الجزء الذكي. عندما يحاول الكمبيوتر معرفة مكان تلك الصور العشر المخفية، يُمنع من استخدام أي نقاط ثلاثية الأبعاد ساهمت تلك الصور تحديداً في إنشائها. يمكنه فقط استخدام النقاط التي بنيت بواسطة الصور التسعين الأخرى. هذا يمنع الكمبيوتر من الغش عبر مجرد النظر إلى عمله الخاص.
   • ومع ذلك، هناك ثغرة دقيقة: على الرغم من استبعاد الصور المخفية من النقاط ثلاثية الأبعاد المستخدمة في الفحص، إلا أنها كانت جزءاً من الحساب الأصلي الذي بنى "مقياس" النموذج بأكمله (حجمه واتجاهه). الاختبار "خالٍ من تسرب التتبع" (أي أنه لا يغش في النقاط)، لكنه ليس مستقلاً تماماً عن الشكل العام للنموذج.
4. الفحص: يحاول الكمبيوتر "إعادة تحديد موقع" الصور المخفية. إذا استطاع وضعها بدقة في مكانها داخل النموذج، فإنه يعطي نفسه درجة ثقة عالية (مثل 1.00 من 1.00).

أمل الباحثون أن تخبرهم هذه الدرجة بمدى دقة النموذج. أرادوا معرفة: إذا أعطى الكمبيوتر لنفسه درجة مثالية، فهل يكون النموذج صحيحاً حقاً؟

المفاجأة الكبرى: الكذبة "المثالية"

الإجابة، بعد الاختبار على بيانات واقعية من طائرات بدون طيار (درونز)، وأنهار، ومناجم عبر ثلاث قارات، هي لا قاطعة.

وجد البحث أن هذا الفحص الذاتي أعمى تجاه أنواع معينة من الأخطاء الجسيمة. إليك التحول في الأحداث: يمكن للكمبيوتر أن يبني نموذجاً مثالياً داخلياً ولكنه خاطئ عالمياً.

فكر في الأمر كقطعة من المطاط. تخيل أنك ترسم خريطة مثالية لمدينة على قطعة مطاط. إذا مددت القطعة بأكملها بشكل متساوٍ، فستظل كل الطرق تتصل ببعضها البعض بالطريقة الصحيحة. المسافات بين الشوارع تبدو متسقة نسبياً تجاه بعضها البعض. إذا حاولت فحص الخريطة عن طريق قياس المسافة بين شارعين باستخدام الشوارع الأخرى فقط، سيبدو كل شيء مثالياً. ولكن إذا حاولت مقارنة تلك الخريطة الممددة بمسطرة حقيقية، فقد تكون المدينة بأكملها أكبر بـ 50 متراً أو ملتوية بشكل غريب.

أثبت الباحثون أن هذا يحدث في الواقع. أخذوا مسحاً حقيقياً بطائرة بدون طيار وحقنوا فيه "فساداً" (مثل خلط الروابط بين الصور) لإجبار الكمبيوتر على بناء نموذج خاطئ.

• النتيجة: في ثلاث من أصل أربع حالات اختبار، بنى الكمبيوتر نموذجاً مشوهاً عالمياً (بخطأ يتراوح بين 55 إلى 106 أمتار!).
• الدرجة: رغم أن الخطأ كان بطول ملعب كرة قدم، إلا أن الكمبيوتر منح نفسه درجة ثقة مثالية بلغت 1.00.

عمل الفحص الذاتي فقط عندما تفكك النموذج. إذا كان الفساد سيئاً لدرجة أن النموذج ثلاثي الأبعاد انقسم إلى قطعتين منفصلتين وغير متصلتين، تنخفض الدرجة (إلى حوالي 0.96). ولكن إذا ظل النموذج في قطعة واحدة ولكنه كان "منحنياً" أو "ممدداً" بطريقة متسقة، لم يكن لدى الكمبيوتر أدنى فكرة بأنه مخطئ.

هناك نوع آخر من الفخاخ أيضاً: الاختبار أعمى أيضاً تجاه دمج الهياكل المتكررة. تخيل مبنى به ممر طويل من الأبواب المتطابقة. إذا ارتبك الكمبيوتر وظن أن الممر يعود على نفسه (يدمج جزئين مختلفين من المبنى في واحد)، فإنه ينشئ نموذجاً متسقاً ذاتياً ولكنه مستحيل فيزيائياً. ولأن الأجزاء "المتكررة" تبدو متطابقة مع بعضها البعض، يعتقد الكمبيوتر أن كل شيء يتناسب تماماً، مما يمنحه درجة عالية رغم أن الهندسة خاطئة جوهرياً.

لماذا هذا مهم (ولماذا لا يعد فشلاً)

قد تعتقد، "إذاً الفحص فشل؟" ليس تماماً. البحث في الواقع هو نجاح صادق للغاية لأنه يخبرنا بما لا يستطيع الاختبار القيام به، وهو أمر لا يقل أهمية عما يمكنه القيام به.

أظهر الباحثون أن هذا الفحص الذاتي هو "كاشف للانهيار" (Fragmentation Tripwire) رائع. إذا تفكك النموذج إلى قطع، سيكتشف الاختبار ذلك. إنه وسيلة رخيصة وسريعة للقول: "مهلاً، هناك خطأ ما هنا، انظر بدقة أكبر".

ومع ذلك، فهو ليس بديلاً لمسطرة حقيقية.

• ما يقيسه: يقيس الاتساق الداخلي. يخبرك ما إذا كانت قطع اللغز تتناسب مع بعضها البعض بشكل جيد.
• ما يغفله: لا يمكنه إخبارك ما إذا كان اللغز بأكمله بالحجم الخاطئ، أو ملتوياً في الفضاء، أو إذا كان قد دمج بالخطأ أجزاءً متشابهة في شكل واحد مستحيل.

اختبر المؤلفون ذلك على العديد من مجموعات البيانات، بما في ذلك المعايوهات العامة والوظائف الصناعية الحقيقية. وجدوا أنه حتى عندما كان النموذج بعيداً عن الهدف بمقدار 63 متراً، ظلت درجة الثقة عند 1.00. حتى أنهم نظروا في مجموعة بيانات شهيرة حيث انحرف مقياس الطائرة بدون طيار (أصبح أكبر فأكبر أثناء طيرانها)، وظل الفحص الذاتي يعطي درجة مثالية لأن الانحراف كان سلساً ومتسقاً.

الخلاصة للمراهق الشغوف

إذاً، ما هي الفائدة؟

إذا كنت كمبيوتراً يحاول بناء عالم ثلاثي الأبعاد من الصور، يمكنك أن تسأل نفسك، "هل تتفق جميع صوري مع بعضها البعض؟" إذا كانت الإجابة نعم، فستحصل على درجة عالية. لكن هذا لا يعني أن عالمك بالحجم الصحيح، أو في المكان الصحيح، أو حتى أنه لم يدمج بالخطأ مبنيين مختلفين في واحد. يمكنك أن تكون عملاقاً مثالياً متسقاً ذاتياً، أو قزماً مثالياً متسقاً ذاتياً، أو حلقة مثالية متسقة ذاتياً، ولن يعرف هذا الاختبار الفرق.

يخلص البحث إلى أننا لا نستطيع الاعتماد على هذا "الفحص الذاتي" لاستبدال المساحين الحقيقيين أو قياسات GPS. إنه أداة مفيدة للإمساك بالنماذج المكسورة، ولكنه ليس عصا سحرية تخبرك ما إذا كانت قياساتك دقيقة.

باختصار: الاتساق الداخلي ليس هو الحقيقة المطلقة. يمكن للنموذج أن يكون متسقاً تماماً وخاطئاً تماماً، وهذا البحث هو الدليل على أننا بحاجة للاستمرار في استخدام المساطر الحقيقية للتحقق من خرائطنا الرقمية.