GrabVG: Graph-Attentive Binding for Visual Grounding in UAV Imagery

تخيل أنك تنظر من ارتفاع شاهق إلى شارع مزدحم في مدينة أو موقف سيارات واسع. من هذا المنظور العلوي، يتحول العالم إلى فسيفساء كثيفة من الأشكال الصغيرة والمتكررة. السيارات والشاحنات والحافلات متراصة بإحكام، وغالباً ما تتشابه في اللون والحجم وحتى في الاتجاه. بالنسبة لمراقب بشري، يمثل العثور على مركبة محددة موصوفة بجملة مثل "الشاحنة الحمراء التي تعلوها سيارة سوداء" تحدياً للتركيز؛ إذ يجب على العين أولاً مسح الفوضى لتضييق الاحتمالات، ثم فحص العلاقات بين الأشياء المتبقية بعناية لإجراء التحديد النهائي. هذا هو الواقع اليومي للحواسيب التي تحاول فهم الصور الملتقطة بواسطة الطائرات بدون طيار (الدرونز). في مجال الذكاء الاصطناعي، تُعرف هذه المهمة باسم "التأسيس البصري" (visual grounding): وهي القدرة على الإشارة إلى كائن محدد في صورة بناءً على وصف بلغة طبيعية. وبينما أصبحت الحواسيب جيدة جداً في هذا الأمر في الصور القياسية الملتقطة من مستوى الأرض، فإن المنظور الفريد لصور الدرونز يضيف طبقة جديدة من الصعوبة؛ فالعشرات من الأشياء المتشابهة تخلق ضباباً بصرياً، كما أن الترتيب المسطح ثنائي الأبعاد للمشهد يجعل من الصعب تمييز كائن عن آخر بناءً على الموقع وحده.

لقد حاول الباحثون طويلاً حل هذه المشكلة عبر تعليم الحواسيب النظر إلى كل كائن محتمل في الصورة ومقارنتها جميعاً بالوصف النصي في وقت واحد. ومع ذلك، غالباً ما يؤدي هذا النهج إلى الارتباك؛ فعندما يحاول الكمبيوتر معالجة مئات السيارات المتشابهة تقريباً في آن واحد، يمكن لحجم المعلومات الهائل أن يطمس التفاصيل الدقيقة التي تميز الهدف. الأمر يشبه محاولة العثور على شخص معين في ملعب مزدحم عبر الطلب من الجميع الصراخ بأسمائهم في نفس الوقت؛ فالضجيج يجعل سماع الإجابة مستحيلاً. تشير الدراسة الجديدة، التي قادها تشاوي ويانغ وزملاؤه، إلى أن الحل يكمن في تغيير كيفية مقاربة الكمبيوتر للمشكلة. فبدلاً من معاملة البحث كمهمة واحدة غامرة، يقترحون طريقة تحاكي الطريقة التي تعمل بها العين والدماغ البشري بشكل طبيعي؛ حيث يقومون بتفكيك العملية إلى خطوتين متمايزتين: أولاً، مسح سريع وعريض للعثور على قائمة قصيرة من المرشحين المحتملين، وثانياً، فحص دقيق ومركز لهؤلاء المرشحين القلائل للعثور على المطابقة الدقيقة.

يطلق الباحثون على نظامهم الجديد اسم GrabVG. صُممت المرحلة الأولى من هذا النظام لتعمل كمرشح (فلتر)، تماماً مثل نظرة بشرية سريعة على مشهد ما لتجاهل الخلفية غير ذات الصلة. يُعرض على الكمبيوتر أولاً صورة الدرون والوصف النصي، وبدلاً من محاولة تحليل كل بكسل أو كائن فوراً، يستخدم تقنية مستوحاة من كيفية مساعدة المعلمين للطلاب على التعلم. يقوم نظام متقدم ومُدرب مسبقاً بتوليد قائمة بالمواقع المحتملة التي قد يتواجد فيها الهدف، ثم يتم تنقيح هذه القائمة عبر فحص ثانٍ خفيف الوزن يستخدم الوصف النصي لاستبعاد أي حالات عدم تطابق واضحة. إذا ذكر الوصف "مركبة حمراء"، فإن النظام يستبعد بسرعة أي مركبات زرقاء أو سوداء من المنافسة. هذه الخطوة حاسمة لأنها تقلل بشكل كبير من عدد الخيارات التي يتعين على الكمبيوتر النظر فيها، مما يزيل ضجيج الخلفية ويترك مجموعة صغيرة يمكن التحكم فيها من الأهداف المحتملة.

بمجرد حصول الكمبيوتر على هذه القائمة القصيرة، ينتقل إلى المرحلة الثانية، وهي المرحلة التي يحدث فيها العمل الحقيقي للتعرف. هنا، يتوقف النظام عن النظر إلى الصورة بأكملها ويركز تماماً على العلاقات بين المرشحين القلائل المتبقين. يقوم ببناء خريطة تربط هؤلاء المرشحين بجيرانهم المباشرين، مما يخلق شبكة متفرقة بدلاً من شبكة فوضوية. ثم يطرح النظام أسئلة محددة حول هذه الروابط؛ فهو ينظر إلى التفاصيل البصرية لكل مرشح، مثل لون سطحه أو شكل هيكله، مسترشداً بالكلمات المحددة في الوصف. وفي الوقت نفسه، يفحص الترتيب المكاني، ليتأكد ما إذا كان أحد الكائنات يقع حقاً فوق أو تحت أو بجانب كائن آخر، تماماً كما يفعل البشر. ومن خلال حصر هذا التحليل التفصيلي فقط في الجيران الأكثر صلة، يتجنب النظام الارتباك الناتج عن الأشياء البعيدة أو غير المرتبطة. إنه يتجاهل بقية الحشد بفعالية ليركز على المجموعة الصغيرة من الأشخاص الواقفين بجوار الهدف مباشرة.

نتائج هذا النهج مذهلة. فعند اختباره على مجموعتي بيانات رئيسيتين لصور الدرونز، تفوق النظام بشكل ملحوظ على الطرق السابقة. في إحدى مجموعتي البيانات، حدد الكائن المستهدف بشكل صحيح في 67.31% من الحالات، وهو تحسن كبير عن أفضل الطرق الموجودة. وفي مجموعة بيانات ثانية أكثر تنوعاً، حقق دقة بلغت 80.34%. تشير هذه الأرقام إلى أن استراتيجية فصل البحث عن المقارنة التفصيلية هي استراتيجية فعالة للغاية. النظام ليس أكثر دقة فحسب، بل هو أيضاً أسرع، حيث يعالج الصور بمعدل يجعل استخدامه عملياً للتطبيقات في الوقت الفعلي. وجد الباحثون أن مفتاح هذا النجاح لم يكن مجرد امتلاك خوارزمية أفضل، بل في تنظيم العملية لتتطابق مع الطريقة التي تُبنى بها المعلومات البصرية طبيعياً. فمن خلال تضييق المجال أولاً ثم تطبيق الانتباه المركز على العلاقات المتبقية، يتجنب النظام عثرات محاولة فهم كل شيء دفعة واحدة.

يسلط هذا العمل الضوء على تحول في كيفية تعامل الذكاء الاصطناعي مع المهام البصرية المعقدة. فبدلاً من الاعتماد على القوة الغاشمة لمعالجة كل التفاصيل في وقت واحد، تتبنى الطريقة الجديدة نهجاً أكثر انتقائية. إنها تقر بأنه في مشهد مزدحم، غالباً ما توجد الأدلة الأكثر أهمية في الجوار المباشر للهدف، وليس في الخلفية البعيدة. إن قدرة النظام على تصفية المشتتات ثم الاستدلال بشأن الهندسة والمظهر المحدد لمجموعة صغيرة من الأشياء تظهر فهماً أكثر تطوراً للسياق البصري. ورغم أن هذه التكنولوجيا لا تزال في مراحلها التطويرية، إلا أن النتائج تشير إلى مسار واعد للتطبيقات التي تتراوح من ملاحة الطائرات بدون طيار ذاتية القيادة إلى عمليات البحث والإنقاذ، حيث يكون تحديد موقع جسم معين بسرعة ودقة في بيئة فوضوية أمراً بالغ الأهمية. وتؤكد الدراسة أنه من خلال تقسيم المشكلة المعقدة إلى خطوات بسيطة ومتتالية، يمكن للآلات أن تتعلم رؤية العالم بوضوح يضاهي الإدراك البشري.