Training with synthetic data for drone detection in thermal imagery
تُثبت هذه الورقة أن استراتيجية التدريب القائمة على البيانات الاصطناعية أولاً، والتي تستفيد من توليد المشاهد الاصطناعية متبوعاً بضبط دقيق على كميات صغيرة من البيانات الحرارية الحقيقية، تتغلب بفعالية على ندرة الصور بالأشعة تحت الحمراء المُصنفة وفجوات النطاق لتحقيق كشف قوي للطائرات بدون طيار من الأرض إلى الجو، حيث أثبت محاذاة مجموعة البيانات أنه أكثر أهمية من حجم النموذج.
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
في همهمة هادئة داخل قاعدة عسكرية أو في أفق فوضوي لمنطقة صراع، لم تعد السماء خالية. فقد أصبحت الطائرات المسيرة، المعروفة باسم "الدرونز"، وهي آلات صغيرة وصامتة، تهديداً شائعاً، قادرة على تنفيذ عمليات المراقبة أو الهجمات بسهولة مرعبة. إن اكتشاف هذه المتسللات مهمة صعبة، خاصة عندما يكون الهواء كثيفاً بالدخان أو الغبار أو ظلام الليل. وهنا يأتي دور التصوير الحراري؛ فخلافاً للكاميرات القياسية التي تعتمد على الضوء المرئي، ترى المستشعرات الحرارية الحرارة المنبعثة من الأجسام. فالطائرة المسيرة، التي تعمل ببطارية ومحرك، تبعث دفئاً خافتاً يبرز بوضوح مقابل الخلفية الأكثر برودة للسماء أو الأرض. ومع ذلك، غالباً ما تكون هذه الصور الحرارية محببة، وضبابية، وتفتقر إلى التفاصيل الحادة التي اعتادت عليها العين البشرية أو البرامج الحاسوبية القياسية. كما أن البصمات الحرارية للطائرات المسيرة الصغيرة قد تكون ضعيفة، وتضيف المستشعات نفسها طبقة من الضجيج الساكن (static noise) مما يجعل من الصعب التمييز بين طائرة مسيرة حقيقية وبين ذرة غبار عشوائية.
يكمن التحدي الذي يواجه المهندسين في أن تعليم الحواسيب التعرف على هذه البصمات الحرارية يتطلب كميات هائلة من البيانات المصنفة. وفي العالم الحقيقي، يعد جمع آلاف الساعات من اللقطات الحرارية للطائرات المسيرة أمراً مكلفاً، وخطيراً، ومستحيلاً من الناحية اللوجستية. علاوة على ذلك، فإن رسم مربعات يدوياً حول طائرات مسيرة صغيرة وضبابية في كل إطار هو عمل بطيء ومعرض للخطأ. وبدون قدر كافٍ من البيانات، تظل البرامج الحاسوبية المصممة لرصد هذه التهديدات خرقاء وغير موثوقة. ولحل هذه المعضلة، لجأ الباحثون إلى نهج مختلف: وهو إنشاء البيانات بأنفسهم. فمن خلال استخدام محاكاة حاسوبية قوية، يمكنهم توليد آلاف الصور الاصطناعية التي تبدو مثل اللقطات الحرارية، كاملة مع تسميات توضيحية مثالية تخبر الحاسوب بمكان الطائرة المسيرة بالضبط. ومع ذلك، يبقى السؤال قائماً: هل يمكن لحاسوب تدرب على هذه الصور الاصطناعية المثالية أن يتعلم حقاً رؤية الواقع الفوضوي وغير المثالي للعالم الحقيقي؟
لقد شرع فريق من الباحثين من إستونيا وهولندا في الإجابة على هذا السؤال عبر بناء نظام لتدريب الحواسيب على رصد الطائرات المسيرة في الصور الحرارية باستخدام مزيج من البيانات الوهمية والحقيقية. بدأوا بإنشاء مكتبة ضخمة من المشاهد الاصطناعية؛ فباستخدام مزيج من صور الإنترنت وبرامج ثلاثية الأبعاد متطورة، قاموا بتوليد آلاف الخلفيات التي بدت وكأنها مناظر طبيعية حرارية، تتراوح من الحقول المفتوحة إلى البيئات الحضرية. ووضعوا داخل هذه المشاهد نماذج رقمية لطائرات مسيرة، مع تنويع حجمها وزاويتها ومسافتها لمحاكاة كيفية ظهور طائرة مسيرة حقيقية في السماء. ولجعل هذه الصور أكثر واقعية، أضافوا طبقات من الضجيج والضبابية، محاكيين بذلك عيوب كاميرا حرارية حقيقية. سمحت هذه العملية بإنشاء مجموعة بيانات مكونة من عشرين ألف صورة اصطناعية ذات تسميات توضيحية مثالية، وهو عدد يستحيل جمعه يدوياً في وقت قصير.
بعد ذلك، اختبر الباحثون مدى قدرة النماذج الحاسوبية المختلفة على التعلم من هذه البيانات الاصطناعية. قاموا بتدريب عدة أنظمة كشف متطورة، بما في ذلك بعض الأنظمة التي تستخدم هياكل رياضية معقدة لفهم الصور، على هذه المشاهد الحرارية الوهمية. وبمجرد أن تعلمت النماذج الأشكال والحركات الأساسية للطائرات المسيرة من العالم الاصطناعي، قدم الفريق كمية صغيرة من البيانات الواقعية لصقل مهاراتها. لقد استخدموا مائة صورة حرارية حقيقية فقط للطائرات المسيرة لهذه الخطوة النهائية، وهي نسبة ضئيلة جداً مما يتطلبه مثل هذا النوع من المهام عادةً. كان الهدف هو معرفة ما إذا كان بإمكان الحاسوب أخذ المعرفة العامة التي اكتسبها من المحاكاة وتطبيقها على الواقع المحدد والمشوش لمستشعر حقيقي.
أظهرت النتائج أن هذا النهج الهجين قد نجح، ولكن بوجود قيود هامة. فالنماذج الحاسوبية التي تم تدريبها أولاً على البيانات الاصطناعية ثم صقلها باستخدام مجموعة صغيرة من الصور الحقيقية، أدت أداءً أفضل بكثير من تلك التي تدربت على الصور الحقيقية فقط. يشير هذا إلى أن البيانات الاصطناعية وفرت أساساً مفيداً، حيث علمت الحاسوب الشكل العام للطائرة المسيرة حتى لا يضطر للبدء من الصفر. ومع ذلك، وجدت الدراسة أيضاً أن البيانات الاصطناعية وحدها لم تكن كافية؛ إذ فشلت النماذج التي تدربت حصرياً على الصور الوهمية فشلاً ذريعاً عند اختبارها على لقطات حقيقية. كانت الفجوة بين العالم المحاكى النظيف والعالم الحقيقي الصاخب وغير المتوقع واسعة جداً بحيث لا يستطيع الحاسوب عبورها دون جسر. لقد كانت الكمية الصغيرة من البيانات الحقيقية ضرورية لمواءمة فهم الحاسوب مع الفيزياء الفعلية للمستشعر الحراري.
كما جرب الباحثون إضافة صور للطيور إلى مزيج التدريب. ونظراً لأن الطيور والطائرات المسيرة يمكن أن تبدوان متشابهتين في السماء، تساءل الفريق عما إذا كان عرض صور للطيور على الحاسوب سيساعده في التمييز بينهما. ووجدوا أن تضمين صور للطيور بالضوء المرئي خلال مرحلة التدريب الأولية ساعد بعض النماذج على أن تصبح أكثر دقة. يشير هذا إلى أن تعريض الحاسوب لأنواع مختلفة من الأجسام الطائرة يمكن أن يشحذ قدرته على التمييز بين الطائرة المسيرة وغيرها من الأشياء في السماء. ومع ذلك، لم تكن هذه الفائدة ثابتة عبر جميع النماذج الحاسوبية، وأشار الباحثون إلى أن خلط صور الضوء المرئي مع البيانات الحرارية أدى إلى نوع جديد من الارتباك عانت منه بعض الأنظمة.
في الختام، تخلص الدراسة إلى أنه بينما تعد البيانات الاصطناعية أداة قوية للتغلب على نقص الأمثلة في العالم الحقيقي، إلا أنها لا يمكن أن تحل محل الحاجة إلى البيانات الحقيقية. لقد تم تحقيق أفضل النتائج باستخدام نوع معين من النماذج المتقدمة التي جمعت بين الدروس الواسعة من التدريب الاصطناعي والتفاصيل الدقيقة الخاصة بالمستشعر والتي تعلمتها من بضع مئات من الصور الحقيقية. ويؤكد الباحثون أن الصور الاصطناعية نجحت في التقاط شكل وحركة الطائرات المسيرة بشكل جيد، لكنها لم تستطع محاكاة الطريقة المعقدة التي تتصرف بها الحرارة في الغلاف الجوي الحقيقي أو أنماط الضجيج المحددة لأجهزة الكاميرا بدقة. ومن خلال استخدام استراتيجية "الاصطناعي أولاً" متبوعة بفترة قصيرة من الضبط الواقعي، يمكن للمهندسين بناء أنظمة أكثر قوة لرصد الطائرات المسيرة، لكن الخطوة النهائية المتمثلة في ترسيخ النظام في الواقع تظل أمراً لا غنى عنه. يقدم هذا النهج مساراً عملياً للمضي قدماً في تأمين المجال الجوي ضد التهديدات الصغيرة التي يصعب رؤيتها، محولاً مشكلة ندرة البيانات إلى تحدٍ هندسي قابل للحل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.