ISRS-DETR: Detection-Guided Click Propagation for Remote Sensing Interactive Segmentation

تخيل أنك تعمل كمحقق يحاول حل لغز ضخم، ولكن بدلاً من البحث عن أدلة على طاولة، أنت تنظر إلى صورة فوتوغرافية ضخمة وعالية الدقة التُقطت من قمر صناعي. تُظهر هذه الصورة مدينة بأكملة أو محيطاً شاسعاً، وهي تعج بآلاف التفاصيل الصغيرة: سيارات، وسفن، ومبانٍ، وأشجار. في عالم علوم الحاسوب، يُطلق على هذا اسم "الاستشعار عن بُعد". والهدف هو تعليم الحاسوب كيفية التعرف على كل كائن من هذه الكائنات وتحديد حدوده. عادةً، لتعليم الحاسوب ذلك، يتعين على البشر رسم خط حول كل سيارة أو مبنى بكسل تلو الآخر؛ الأمر يشبه محاولة تلوين كتاب تلوين يحتوي كل صفحة فيه على مليون نقطة صغيرة؛ إنه أمر يستغرق وقتاً طويلاً ومملاً للغاية.

لجعل هذا الأمر أسهل، اخترع العلماء ما يسمى "التجزئة التفاعلية" (interactive segmentation). فكر في الأمر كأنه لعبة "ساخن وبارد". بدلاً من رسم الصورة بأكملها، تقوم فقط بالنقر على كائن ما، ويقوم الحاسوب بتخمين مكانه. إذا أخطأ، تنقر مرة أخرى ويصبح أكثر دقة. هذا أسرع بكثير من الرسم يدوياً بالكامل. ومع ذلك، عندما تحاول تجربة هذه اللعبة على صور الأقمار الصناعية، يصبح الأمر معقداً. فالصور ضخمة جداً، والأجسام (مثل السيارات الصغيرة أو السفن البعيدة) صغيرة جداً ومتناثرة، مما يجعل الحاسوب يرتبك. وغالباً ما يحتاج منك النقر عشرات المرات لمجرد الحصول على صورة واحدة صحيحة، مما يبطل الغرض من جعل الأمور سهلة.

هنا تأتي فكرة جديدة تسمى ISRS-DETR. لاحظ الباحثون وراء هذه الورقة البحثية شيئاً مثيراً للاهتمام في صور الأقمار الصناعية: الأجسام من النوع نفسه عادة ما تتواجد معاً. إذا رأيت حافلة مدرسية واحدة في موقف للسيارات، فهناك احتمال كبير لوجود عشر حافلات أخرى قريبة منها تبدو مطابقة لها تماماً. لقد أدركوا أنه بدلاً من التعامل مع كل حافلة كأنها لغز منفصل يجب حله واحداً تلو الآخر، يجب على الحاسوب أن يدرك: "مهلاً، لقد وجدت للتو حافلة! أراهن أن كل تلك الأشياء الأخرى التي تشبه الحافلة هي حافلات أيضاً!".

تقترح الورقة نظاماً ذكياً جديداً يعمل بمثابة "مضاعف للنقرات". وإليك كيف يعمل: عندما تنقر على كائن واحد فقط، لا يكتفي النظام بالنظر إلى ذلك المكان فحسب، بل يمسح الصورة بأكملها بسرعة للعثور على أجسام أخرى تشبه الكائن الذي نقرت عليه. ثم يقوم بإنشاء نقرات "وهمية" لكل تلك الأجسام المماثلة تلقائياً. لذا، فإن نقرة واحدة منك على سيارة واحدة تساعد الحاسوب فوراً في تحديد حدود مئات السيارات الأخرى في نفس الصورة. إنه يشبه امتلاك عصا سحرية، عندما تشير بها إلى تفاحة واحدة في سلة، تقوم فوراً بتحديد كل التفاح الآخر في السلة دون أن تضطر للمسهم.

اختبر الباحثون هذه الفكرة على ثلاث مجموعات مختلفة من صور الأقمار الصناعية، بما في ذلك صور تحتوي على الآلاف من المباني والسفن. ووجدوا أن طريقتهم الجديدة حققت تحسناً هائلاً. في الماضي، لكي يحصل المستخدم على تحديد جيد لجميع المباني في مدينة ما، قد يتعين عليه النقر ما يصل إلى 40 مرة لكل صورة. ومع هذا النظام الجديد، لم يحتاجوا إلا إلى حوالي 10 نقرات فقط للحصول على نفس النتيجة. في الواقع، بالنسبة لبعض الصور، قلل النظام عدد النقرات المطلوبة بنحو 28 نقرة لكل صورة مقارنة بأفضل الطرق السابقة. لم يكن الحاسوب أسرع فحسب، بل كان أيضاً أفضل في رسم الحدود، خاصة للأشكال الرقيقة والصعبة مثل أجنحة الطائرات أو السفن البعيدة.

أظهر الفريق أن هذا النهج "المدرك للفئة" (class-aware)—حيث يفهم الحاسوب أن الأجسام من النوع نفسه مرتبطة ببعضها البعض—هو المفتاح لجعل التجزئة التفاعلية تعمل بفعالية في صور الأقمار الصناعية الضخمة. وبينما لا يزال النظام يعتمد على قدرة الحاسوب على إيجاد الأجسام في المقام الأول (إذا فات الحاسوب رؤية حافلة، فلن يتمكن من تحديدها)، إلا أن النتائج تشير إلى أن هذه الطريقة تمثل خطوة كبيرة للأمام. إنها تحول مهمة مملة تتمثل في النقر واحداً تلو الآخر إلى عملية أكثر كفاءة، مما يجعل من الممكن رسم خرائط لعالمنا من الفضاء بجهد بشري أقل بكثير.