Depth-Guided Video Object Counting in Crowded Scenes
تقترح هذه الورقة كاشفاً موجهاً بالعمق (DG-Det) مع إطار عمل موحد لإزالة التكرار ومجموعة بيانات RGB-D جديدة لتحسين دقة عد الأشياء في الفيديو بشكل كبير في المشاهد المزدحمة والمحجوبة من خلال دمج إشارات العمق مع الانتباه المتقاطع متعدد المقاييس لـ RGB-D.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول عد كل قطعة كوكيز منفردة على صينية خبز مزدحمة وفوضوية. إذا نظرت فقط إلى سطح الكوكيز، فمن السهل أن ترتبك؛ فقد تكون قطعتان متلامستين، أو قد تكون واحدة مختبئة خلف أخرى، مما يجعلك تظن أنها قطعة واحدة كبيرة بدلاً من اثنتين. في عالم الرؤية الحاسوبية، هذه مشكلة ضخمة. يعلم العلماء الحواسيب كيف "ترى" باستخدام الكاميرات التي تلتقط الألوان والنسيج، تماماً مثل أعيننا، وهذا ما يسمى ببيانات RGB. ولكن عندما تكون الأشياء مزدحمة أو يحجب بعضها بعضاً، تتعرض الكاميرا القياسية للخداع؛ إذ لا تستطيع التمييز بين ما إذا كان شيئان متشابهان في المظهر هما عنصران منفصلان أم مجرد كتلة واحدة كبيرة. ولحل هذه المشكلة، بدأ الباحثون بإضافة حاسة جديدة لرؤية الكمبيوتر: العمق. فكر في العمق كمسطرة ثلاثية الأبعاد تخبر الكمبيوتر بالضبط مدى بعد كل بكسل، مما يخلق إحساساً بالمسافة بين الأمام والخلف. تغوص هذه الورقة البحثية في تحدٍ محدد: عد الأشياء في مقاطع الفيديو حيث تكون متراصة بإحكام وتختبئ خلف بعضها البعض باستمرار، مثل رف مستودع مزدحم أو ممر متجر مكتظ.
أدرك الباحثون وراء هذه الدراسة، من معهد هاربين للتكنولوجيا وجامعة مدينة هونغ كونغ، أن مجرد إضافة معلومات العمق لم يكن كافياً؛ بل كان الكمبيوتر بحاجة إلى طريقة أذكى لاستخدامها. فقد وجدوا أن مجرد دمج صورة الألوان مع خريطة العمق (مثل وضع ورقتين فوق بعضهما البعض) لم يعمل بشكل جيد لأن الكمبيوتر ارتبك بسبب الاختلافات بين نوعي البيانات. بدلاً من ذلك، قاموا ببناء نظام جديد يسمى DG-Det (الكاشف الموجه بالعمق) كجزء من إطار عمل موحد.
إليك كيف يعمل اختراعهم، باستخدام تشبيه مرح: تخيل أن الكمبيوتر هو محقق يحاول عد الأشخاص في غرفة مزدحمة.
المحقق الموجه بالعمق (DG-Det): في المرحلة الأولى، لا يكتفي المحقق بالنظر إلى ما يرتديه الناس (اللون/RGB)؛ بل يستخدم أيضاً ماسحاً ضوئياً ثلاثي الأبعاد خاصاً (العمق) ليرى من يقف أمام من. تقدم الورقة خدعة ذكية تسمى "انحياز التقارب العمقي" (Depth Affinity Bias). فكر في هذا كقاعدة تقول: "إذا بدا شيئان متشابهين جداً ولكنهما على مسافات مختلفة، فلا بد أنهما شخصان مختلفان!". يساعد هذا الكمبيوتر على فصل الأشياء المتلامسة أو المتداخلة، وهو ما يتسبب عادةً في تفويت عدّها. كما أضافوا "رأساً للاحتجاب" (occlusion head)، وهو يشبه مقياس الثقة الذي يخمن: "مهلاً، هذا الجسم ربما يكون محجوباً الآن"، حتى لا يستسلم الكمبيوتر عن عده.
حافظ الذاكرة (DG-Track): العد ليس مجرد لقطة واحدة، بل هو عملية مستمرة عبر الفيديو بأكمله. إذا رأى الكمبيوتر صندوقاً أحمر في الإطار الأول ونفس الصندوق الأحمر في الإطار الثاني، فعليه أن يعرف أنه نفس الصندوق، وليس صندوقاً جديداً. الطريقة القديمة كانت ترتبك غالباً عندما يختفي الصندوق لفترة وجيزة. يستخدم النظام الجديد بيانات العمق ثلاثية الأبعاد لتتبع رحلة الصندوق. وحتى لو اختفى الصندوق خلف رف لثانية، فإن معلومات العمق تساعد الكمبيوتر على تذكر مكانه وأين يجب أن يظهر مجدداً. كما يستخدمون نظام "تصويت" يتكيف بناءً على مدى اختفاء الجسم، مما يضمن عدم عدّ نفس الصندوق مرتين عن طريق الخطأ لمجرد ظهوره واختفائه.
لاختبار فكرتهم، لم يستطع الفريق استخدام الفيديوهات القديمة لأنها تحتوي فقط على صور ملونة. لذا، قاموا بإنشاء مجموعة بيانات جديدة تماماً تسمى RGBD-VideoCount. وهي عبارة عن مجموعة تضم 195 مقطع فيديو تحتوي على 6 أنواع مختلفة من العناصر (مثل الكتب، والحقائب، والزجاجات) في مشاهد مزدحمة، تم تسجيلها جميعها بكاميرا ملونة ومستشعر عمق. الأمر يشبه إعطاء الكمبيوتر مكتبة كاملة من الألغاز ثلاثية الأبعاد ليحلها.
كانت النتائج واعدة للغاية. فعندما اختبروا طريقتهم مقابل التقنيات الموجودة، وجدوا أن نهجهم الموجه بالعمق أحدث فرقاً هائلاً. وتحديداً، سجلوا انخفاضاً بنسبة 62.01% في متوسط الخطأ المطلق (MAE) (وهو ببساطة متوسط الأخطاء التي يرتكبها الكمبيوتر) مقارنة بـ النماذج المرجعية الحالية بشكل عام. كما شهدوا تحسينات في جذر متوسط مربع الخطأ (RMSE)، وهي طريقة أخرى لقياس مدى بعد العد عن الواقع. تشير الورقة إلى أنه بينما يساعد مجرد إضافة العمق، فإن السحر الحقيقي يأتي من كيفية دمجهم لبيانات العمق مع بيانات الألوان وكيفية استخدامها للتنبؤ بمتى تكون الأشياء مخفية.
ومن المثير للاهتمام، أن الورقة اختبرت أيضاً ما يحدث إذا لم تكن بيانات العمق مثالية. لقد قاموا بمحاكاة "الضجيج" (مثل التشويش في التلفاز) و"الضبابية" (مثل النظر من خلال نافذة مغبشة). ووجدوا أن نظامهم ظل جيداً جداً في العد حتى لو كانت خريطة العمق تحتوي على بعض الفجوات أو كانت ضبابية قليلاً، رغم أن الضجيج العشوائي جعل النظام يعاني أكثر قليلاً. وهذا يشير إلى أن الطريقة قوية بما يكفي للاستخدام في العالم الحقيقي، حيث لا تكون المستشعرات مثالية دائماً.
باختاً، لا تقول هذه الورقة البحثية فقط "لنستخدم كاميرات ثلاثية الأبعاد"، بل توضح أنه من خلال تعليم الكمبيوتر فهم العلاقة بين اللون والعمق، ومن خلال إعطائه طريقة لتخمين متى تختبئ الأشياء، يمكننا أخيراً الحصول على عمليات عد دقيقة في أكثر المشاهد ازدحماً وفوضوية على الإطلاق. إنها خطوة نحو جعل الحواسيب "ترى" العالم حقاً كما نفعل نحن، مع إحساس بالمساحة والعمق، بدلاً من مجرد صورة مسطحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.