Human-in-the-Loop Signature Bootstrapping for UAV Hyperspectral PFM-1 Mine Detection

تخيل أنك محقق يحاول العثور على لعبة واحدة محددة مخبأة في علية ضخمة وفوضوية مليئة بملايين الأشياء الأخرى. لديك نظارات خاصة يمكنها رؤية "بصمة" الضوء الفريدة التي ترتد عن كل عنصر. هذا هو عالم التصوير الفائق الطيفي (HSI). فبدلاً من رؤية الألوان مثل الأحمر أو الأزرق فقط، ترى هذه الكاميرات مئات الشرائح الصغيرة من الضوء، مما يخلق توقيعاً كيميائياً مفصلاً لكل بكسل في الصورة. هذه التكنولوجيا هي بمثابة بطل خارق للعثور على أشياء تبدو مختلفة عن محيطها، مثل نوع معين من الألغام الأرضية المخبأة في حقل.

لكن الجزء الصعب هنا هو أن امتلاك النظارات ليس كافياً. فأنت بحاجة أيضاً إلى معرفة كيف تبدو بصمة اللعبة بدقة الآن. فقد تبدو اللعبة مختلفة تحت شمس الصباح عنها عند الظهر، أو إذا كانت مغطاة بالقليل من الغبار. في العالم الحقيقي، غالباً لا تملك صورة مثالية للهدف قبل البدء في البحث. قد تملك فقط صورة من "مكتبة" تم التقاطها في مختبر، وهي لا تتطابق مع الواقع الفوضوي للعلية. يسأل هذا البحث سؤالاً جوهرياً: إذا بدأت بصورة مكتبة غير دقيقة تماماً، هل يمكن لمحقق بشري أن يساعدك في إصلاح نظاراتك أثناء العمل، بحيث تجد الألعاب المخبأة بشكل أسرع وتتوقف عن فحص الأشياء الخاطئة؟

المهمة: العثور على اللغم غير المرئي

يدور هذا البحث حول لعبة "أين والدو؟" عالية المخاطر، ولكن باستخدام الطائرات بدون طيار والألغام الأرضية. أراد الباحثون العثور على ألغام PFM-1، وهي ألغام أرضية بلاستيكية صغيرة مضادة للأفراد، ومن الصعب جداً رصدها لأنها تمتزج مع التربة. استخدموا طائرة بدون طيار تحلق على ارتفاع منخفض فوق حقل لالتقاط صورة فائقة الطيف. كان الهدف هو معرفة مدى قدرة أربع خوارزميات حاسوبية مختلفة على العثور على هذه الألغام باستخدام ثلاثة أنواع مختلفة من أدلة "البصمة".

الخوارزميات الأربع التي تم اختبارها هي SAM و MF و ACE و CEM. فكر في هذه الخوارزميات كأربعة محققين لديهم طرق مختلفة في مطابقة البصمة.

• المحقق 1 (المكتبة): حاولوا استخدام بصمة مثالية تم أخذها من جهاز قياس طيفي في المختبر (يسمى SVC spectroradiometer). هذا يشبّه محاولة العثور على صديق في حشد باستخدام صورة من كتاب صور طفولته.
• المحقق 2 (المطلع المثالي): استخدموا بصمة مأخوذة مباشرة من مراكز الألغام الفعلية في صورة الطائرة بدون طيار. هذا يشبه امتلاك صورة لصديقك وهو واقف هناك تماماً وسط الحشد. هذا هو "المعيار الذهبي" الذي استخدمه الباحثون لمعرفة أقصى ما يمكن أن تصل إليه جودة الطرق الأخرى.
• المحقق 3 (التمهيد بالتدخل البشري - Human-in-the-Loop Bootstrap): كانت هذه هي التجربة الرئيسية. بدأوا ببصمة "المكتبة" غير المثالية. تقوم الحاسوب بالإشارة إلى نقطة ويقول: "هل هذا لغم؟". يقوم إنسان محاكى (افتراضي) بالتحقق من الحقيقة الأرضية (الإجابة الواقعية) ويقول: "نعم!" أو "لا!". إذا كان لغماً، يأخذ الحاسوب بصمة جديدة وأفضل من تلك النقطة ويقوم بتحديث مكتبته. ثم يحاول مرة أخرى. هذا يشبه محققاً يتلقى تلميحاً بعد كل تخمين خاطئ ويعدل استراتيجية بحثه أثناء العمل.

النتائج: من وجد الألغام بشكل أسرع؟

لم يكتفِ الباحثون بمعرفة عدد الألغام التي تم العثور عليها فحسب، بل نظروا أيضاً إلى مقدار العمل الذي استغرقه العثود عليها. في موقف حقيقي، يتعين على الإنسان السير فعلياً إلى كل نقطة يشير إليها الحاسوب للتحقق مما إذا كانت لغماً حقيقياً أم مجرد صخرة. إذا أشار الحاسوب إلى 1,000 صخرة قبل العثور على أول لغم، فهذا يعني الكثير من الطاقة المهدورة.

إليك ما اكتشفوه:

المحقق "المطلع المثالي" وجد كل شيء بسهولة، لكن هذا يعتبر غشاً لأنهم عرفوا بالفعل مكان الألغام بالضبط. الاختبار الحقيقي كان التمهيد بالتدخل البشري (Human-in-the-Loop Bootstrap).

• النجم المتألق (ACE): كانت خوارزمية تقدير التماسك التكيفي (ACE) هي الفائز الواضح. في هذه اللعبة المحاكية، وجدت خوارزمية ACE جميع مواقع الألغام السبعة في جولتين فقط من الفحص. تطلبت فقط من الإنسان فحص 9 نقاط مرشحة قبل انتهاء المهمة. لقد كانت فعالة للغاية، حيث تعلمت بسرعة البصمة الصحيحة وتجاهلت الضجيج.
• المنافسون الأقوياء (MF و CEM): كانت خوارجميات المرشح المتوافق (MF) و تقليل الطاقة المقيد (CEM) جيدة ولكنها أبطأ. احتاجت إلى 38 و 22 عملية فحص، على التوالي، للعثور على جميع الألغام. كانت جيدة، لكنها جعلت الإنسان يبذل مجهوداً أكبر في المشي.
• المتعثرون (SAM): واجهت خوارزميات مخطط الزاوية الطيفية (SAM)، بنسختيها القياسية و"المركزة"، وقتاً عصيباً. فبينما وجدت بعض الألغام في وقت مبكر، إلا أنها علقت في حلقة من الإنذارات الكاذبة. وللعثور على آخر الألغام، كان على الإنسان فحص آلاف المرشحين (4,558 و 2,897 على التوالي). يشير البحث إلى أنه بينما قد تبدو هذه الخوارزميات جيدة على الرسم البي، إلا أنها سيئة جداً في تحديد الأولويات للمواقع الصحيحة التي يجب على الإنسان فحصها أولاً.

الخلاصة الكبرى

خلص البحث إلى أنه بالنسبة للمهام الخطرة مثل العثด على الألغام الأرضية، فإن مجرد الحصول على "درجة" عالية على شاشة الكمبيوتر ليس كافياً. ما يهم هو مدى سرعة العثور على الأهداف الحقيقية دون التشتت بالأهداف المزيفة.

تظهر الدراسة أنه حتى إذا بدأت ببصمة غير مثالية تماماً، فإن خوارزمية ذكية (مثل ACE) مع تدخل بشري لفحص بعض النقاط يمكنها أن تقوم بـ "التمهيد" أو ترقية معرفتها بسرعة للعثور على الأهداف بكفاءة. ومع ذلك، ليست كل الخوارزميات متساوية؛ فبعضها عرضة للإنذارات الكاذبة لدرجة تجعل المفتش البشري يستسلم قبل العثور على آخر لغم. يقترح المؤلفون أن الأنظمة المستقبلية يجب أن تركز على "منحنيات اكتشاف الأهداف" هذه - أي تتبع عدد الإنذارات الكاذبة التي تظهر قبل العثود على هدف حقيقي - بدلاً من مجرد النظر إلى أرقام الدقة الإجمالية.

باختصار، يثبت هذا البحث أنه في السباق للعثود على الألغام المخبأة، فإن الخوارزمية التي تتعلم من أخطائها بشكل أسرع (ACE) هي التي توفر الكثير من الوقت والجهد، محولةً عملية بحث قد تكون لا نهائية إلى مهمة سريعة ويمكن السيطرة عليها.