Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline

تخيل أنك محقق يحاول حل جريمة، لكن الدليل الوحيد الذي تملكه هو مقطع فيديو أمني ضبابي مدته 30 ثانية من كاميرا مراقبة حركة مرور. الفيديو غير واضح، والسيارات عبارة عن نقاط صغيرة، والحادث يقع في طرفة عين. الآن، تخيل أنه يتعين عليك إخبار الكمبيوتر بالضبط متى وقع الاصطدام، وأين على الشاشة اصطدمت السيارات، وما نوع هذا الاصطدام (مثل اصطدام وجه لوجه أو احتكاك جانبي). العائق هو أنك غير مسموح لك بإظهار أي أمثلة حقيقية لحوادث السيارات للكمبيوتر لتعليمه إياها. يجب عليه اكتشاف الأمر بمفرده تماماً، مستخدماً فقط ما "يعرفه" بالفعل من الإنترنت الواسع. هذا هو تحدي التعلم من دون أمثلة (Zero-Shot Learning): تعليم الآلة التعرف على موقف جديد دون دليل تدريبي محدد، وهو ما يشبه مطالبة طالب باجتياز امتحان نهائي في موضوع لم يدرسه قط، بالاعتماد فقط على منطقه العام.

هذه الورقة البحثية تعالج هذه المشكلة تحديداً في حوادث المرور. لقد بنى المؤلفون نظاماً ذكياً مكوناً من "مرحلتين" يعمل مثل محقق يستخدم عدسة مكبرة وساعة إيقاف. فبدلاً من التحديق في الفيديو بأكمله دفعة واحدة والارتباك، يقوم النظام أولاً بمسح سريع وخشن لتخمين متى وقع الحادث على الأرجح. ثم يركز بصره على تلك اللحظة الصغيرة فقط، مستخدماً أداة منفصلة لرسم مربعات حول السيارات وتدوين مواقعها بدقة. يقوم النظام بعد ذلك بتغذية هذا المشهد التفصيلي والموضح بالبيانات إلى عقل اصطناعي ضخم (نموذج رؤية ولغة - Vision-Language Model) للحصول على الإجابة النهائية. والنتيجة؟ خمن النظام الوقت، والمكان، ونوع الحادث بشكل أفضل من أي طريقة أخرى نشرها منظمو المسابقة، وكل ذلك دون أن يرى فيديو واحد لحادث حقيقي أثناء "تدريبه".

رقصة المحقق ذات الخطوتين

الفكرة الجوهرية لهذه الورقة هي أن النظر إلى فيديو كامل دفعة واحدة هو استراتيجية سيئة للعثور على الحوادث. فالحوادث عابرة؛ قد تستمر فقط من 100 إلى 500 مللي ثانية (أي أقل من نصف ثانية!) داخل مقطع مدته 30 ثانية. إذا عرضت للكمبيوتر مجرد بعض الإطارات العشوائية، فالأمر يشبه محاولة العثور على ثانية محددة في فيلم عبر تقليب الصفحات عشوائياً—ستفقد الحدث على الأرجال. يطلق المؤلفون على هذا اسم "مشكلة إطار التلامس" (contact-frame problem).

ولحل هذه المشكلة، صمموا مساراً من العام إلى الدقيق (Coarse-to-Fine Pipeline)، وهو في الأساس تحقيق يتكون من خطوتين.

الخطوة 1: المسح واسع الزاوية (المرحلة الخشنة)
أولاً، يأخذ النظام نظرة سريعة وعامة على الفيديو بأكمله. يقوم بالتقاط 60 إطاراً (صوراً) موزعة على الـ 30 ثانية كاملة. يسأل نموذج ذكاء اصطناعي قوياً (يسمى Qwen3-VL-32B-Instruct) لتخمين شيئين: "متى تعتقد أن الحادث وقع؟" و"ما نوع هذا الحادث؟".
فكر في الأمر كأنك محقق يلقي نظرة خاطفة على مسرح الجريمة من الجانب الآخر من الشارع. لا يمكنه رؤية التفاصيل، لكن يمكنه القول: "أوه، يبدو أن حادث سيارة قد وقع حوالي الثانية 15". هذا التخمين ليس مثالياً، لكنه يعطي النظام نقطة انطلاق. إنه يثبت البحث في الزمن بحيث لا تضطر الخطوة التالية للتخمين بشكل أعمى.

الخطوة 2: العدسة المكبرة (المرحلة الدقيقة)
بمجرد أن يحصل النظام على تقدير زمني تقريبي (لنفترض 15 ثانية)، فإنه لا يتوقف عند هذا الحد. بل ينشئ "نافذة" زمنية صغيرة حول ذلك التخمين—تحديداً ثانيتين قبل الوقت المقدر وثانيتين بعده. هذه هي اللحظة الحاسمة.
داخل هذه النافذة التي تبلغ 4 ثوانٍ، ينتقل النظام إلى السرعة القصوى. يقوم بتشغيل كاشف أجسام فائق السرعة (YOLO11x) ومتتبع (BoT-SORT) بسرعة الفيديو الكاملة. تقوم هذه الأدوات بشيئين مهمين:

1. ترسم المربعات: تضع مستطيلاً ملوناً حول كل سيارة تراها.
2. تكتب تقريراً: لا تكتفي بعرض الصورة فحسب؛ بل تكتب أيضاً الإحداثيات الدقيقة لتلك المربعات كأرقام (مثل "السيارة 1 تقع في الموقع 0.49، 0.62").

الآن، يعرض النظام هذا المشهد الموضح بالبيانات والمكبر إلى نفس نموذج الذكاء الاصطناعي الضخم. لكن هذه المرة، لا ينظر الذكاء الاصطناعي إلى صورة ضبابية فحسب؛ بل ينظر إلى صورة مع وصف مكتوب لمواقع السيارات. يشبه الأمر إعطاء المحقق صورة مع أسهم تشير إلى المشتبه بهم وملاحظة تقول: "المشتبه به (أ) يقف هنا". هذا الجمع بين الأدلة البصرية والرقمية يساعد الذكاء الاصطناعي على تحديد اللحظة الدقيقة للتصادم والموقع الدقيق على الشاشة.

لماذا يهم هذا وماذا يتجنب

تجادل الورقة صراحة ضد النهج "المباشر" حيث تقوم فقط بتغذية الفيديو بالكامل إلى الذكاء الاصطناعي في خطوة واحدة. وجد المؤلفون أنه إذا فعلوا ذلك، فإن الذكاء الاصطناعي يصاب بالارتباك. فهو يميل إلى التخمين بأن الحادث وقع في منتصف الفيديو تماماً (انحياز منتصف الفيديو)، بغض النظر عن وقت وقوعه الفعلي. كما أنه يواجه صعوبة في تحديد الموقع الدقيق لأن السيارات صغيرة وضبابية جداً في لقطات كاميرات المراقبة منخفضة الدقة.

من خلال رفض طريقة "الخطوة الواحدة"، أثبت المؤلفون أن تقسيم المشكلة إلى مراحل يعمل بشكل أفضل بكثير. كما حرصوا على تجنب فخ شائع في أبحاث الذكاء الاصطناعي وهو: الضبط الدقيق (fine-tuning). عادةً، لجعل الذكاء الاصطناعي جيداً في مهمة معينة، تقوم بتغذيته بآلاف الأمثلة المصنفة لتلك المهمة. هنا، لم يُسمح للمؤلفين باستخدام أي فيديوهات حوادث حقيقية للتدريب. كان عليهم الاعتماد كلياً على المعرفة المسبقة للذكاء الاصطناعي (zero-shot). لقد استخدموا مجموعة بيانات اصطناعية (حوادث مولدة بالحاسوب من لعبة تسمى CARLA) لمساعدتهم في بناء النظام، لكن الاختبار النهائي كان على لقطات حقيقية وفوضوية من كاميرات مراقبة واقعية لم يرها الذكاء الاصطناعي من قبل.

النتائج: رقم قياسي جديد

عندما اختبروا نظامهم في التحدي الرسمي، والذي تضمن 2,027 مقطع فيديو حقيقي من كاميرات المراقبة، كانت النتائج مبهرة. استخدمت المسابقة نظام تسجيل خاص يسمى "المتوسط التوافقي" (harmonic mean)، وهو يشبه تقرير الدرجات حيث إذا رسبت في مادة واحدة (مثل تخمين الوقت)، تنخفض درجتك الإجمالية إلى الصفر.

حقق نظام المؤلفين درجة قدرها 0.504.
وقد تفوق هذا على أفضل مدخل سابق (والذي كان مزيجاً معقداً من نماذج عديدة) بفارق كبير. كانت أفضل درجة سابقة هي 0.412.
لوضع ذلك في المنظور، كان أسلوب المؤلفين أفضل بنسبة 22% تقريباً من أقرب منافس لهم.

كان النظام بارعاً بشكل خاص في تخمين وقت الحادث (سجل 0.549) ونوع الحادث (سجل 0.503). وكان أقل كمالاً قليلاً في تخمين الموقع الدقيق (سجل 0.468)، لكن التحسن الإجمالي كان كافياً لاحتلال المركز الأول.

"شبكة الأمان" والأعطال

كان المؤلفون أذكياء بما يكفي لإدراك أن الذكاء الاصطناعي قد يكون متقلباً. لذا بنوا عدة "شبكات أمان" لمنع النظام من الانهيار أو الاستسلام.

• الحد الأدنى للوقت: إذا خمن الذكاء الاصطناعي أن الحادث وقع عند الثانية 0 (وهو أمر خاطئ عادةً)، فإن النظام يجبره على اختيار وقت لاحق قليلاً لتجنب الحصول على درجة "صفر".
• خطة الاحتياط: إذا حصل النظام على الكثير من البيانات ونفدت ذاكرته (وهي مشكلة شائعة في نماذج الذكاء الاصطناعي الكبيرة)، فلديه خطة بديلة للمحاولة مرة أخرى باستخدام عدد أقل من الإطارات.
• حارس JSON: أحياناً تصبح نماذج الذكاء الاصطناعي "ثرثارة" وتكتب نصوصاً إضافية بدلاً من الإجابة فقط. تم برمجة النظام لتجاهل ذلك والبحث فقط عن تنسيق الإجابة المحدد.

حتى مع هذه الضمانات، لم يكن النظام مثالياً. وجد المؤلفون أنه في الفيديوهات المظلمة جداً أو المضغوطة بشدة، يواجه النظام أحياناً صعوبة في رؤية السيارات، مما يجعله يخمن منتصف الشاشة. كما لاحظوا أنه في حوادث "الاحتكاك الجانبي" (حيث تتلامس السيارات بالكاد)، يخطئ النظام أحياناً في تحديد لحظة التلامس الأولى الدقيقة ويخمن لحظة مختلفة قليلاً. ومع ذلك، كانت هذه هي الأسباب الرئيسية الوحيدة للفشل، ومع ذلك ظل النظام يتفوق على الجميع.

الخلاصة

تظهر هذه الورقة أنك لست بحاجة لتدريب ذكاء اصطناعي على ملايين الحوادث الحقيقية لجعله محقق حوادث بارعاً. بدلاً من ذلك، يمكنك إعطاؤه استراتيجية ذكية: مسح سريع للعثور على "متى"، يليه نظر تفصيلي وموضح بالبيانات للعثور على "أين" و"ماذا". ومن خلال الجمع بين عقل ذكاء اصطناعي قوي وأداة تتبع سريعة ودقيقة، أنشأ المؤلفون نظاماً يمكنه فهم حوادث المرور في الوقت الفعلي، دون الحاجة إلى مكتبة من الحوادث الماضية للتعلم منها. إنه تذكير بأنه في بعض الأحيان، ليست أفضل طريقة لحل مشكلة صعبة هي إلقاء المزيد من البيانات عليها، بل التفكير بذكاء أكبر في كيفية النظر إليها.