ArmorOCR: Grounded Adversarial Visual Perception via Observation-Transferred Self-Distillation
تقدم هذه الورقة البحثية AdvSpot، وهو أول معيار اختبار للتعرف الضوئي على الحروف (OCR) التنافسي القائم على التمركز، وتقترح ArmorOCR، وهو إطار تدريب ثنائي المراحل يستفيد من التقطير الذاتي المنقول عبر الملاحظة وتحسين السياسة النسبية الجماعية لتعزيز متانة النماذج اللغوية الكبيرة متعددة الوسائط بشكل كبير ضد النصوص المرئية التنافسية مع الحفاظ على الأداء العام للتعرف الضوئي على الحروف.
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 عالم الذكاء الاصطناعي، تبرز فئة متنامية من الأنظمة تُعرف بالنماذج متعددة الوسائط الضخمة. هذه حواسيب قوية يمكنها رؤية الصور وقراءة النصوص الموجودة داخلها، تماماً مثل إنسان ينظر إلى صورة لافتة شارع أو ملاحظة مكتوبة بخط اليد. لسنوات، أصبحت هذه الأنظمة جيدة بشكل ملحوظ في قراءة النصوص الواضحة والقياسية. ومع ذلك، ظهرت فجوة كبيرة بين الرؤية البشرية والرؤية الآلية؛ فالإنسان يمتلك قدرة حدسية على تجميع المعنى حتى عندما يكون النص مخفياً، أو مشوهاً، أو مدمجاً في خلفية معقدة. يمكننا النظر إلى نمط من النقاط وفهم الكلمة التي تشكلها فوراً، أو قراءة جملة مكتوبة بأحرف صغيرة جداً على قميص مزدحم بالنقوش. في المقابل، غالباً ما يفشل الذكاء الاصطناعي الحالي في هذه المهام المحددة؛ فقد ينظر إلى الصورة نفسها ويرى ضجيجاً فقط، أو يغفل عن النص تماماً، أو يركز على الجزء الخطأ من الصورة. لا يعد هذا الضعف مجرد خلل بسيط، بل يكشف عن ضعف جوهري في كيفية إدراك هذه الآلات للعالم المرئي، مما يجعلها غير قادرة على التعامل مع النصوص المشوهة والمتلاعب بها الموجودة في العالم الحقيقي.
لطالما حاول الباحثون إصلاح ذلك عبر تعليم الحواسيب "التفكير" بعمق أكبر في الصور، وغالباً من خلال مطالبتها بالتكبير، أو القص، أو قلب الصور للكشف عن التفاصيل المخفية. ورغم أن هذا الأسلوب فعال، إلا أنه بطيء ويتطلب خطوات إضافية في كل مرة ينظر فيها الكمبيوتر إلى صورة. تقدم دراسة جديدة نهجاً مختلفاً، نهجاً يعلم النموذج رؤية هذه الأنماط المخفية فوراً، دون الحاجة لتغيير الصورة أولاً. الفريق وراء هذا العمل، بقيادة لينهان كاو وزملاؤه، أنشأ أولاً بيئة اختبار جديدة تسمى "AdvSpot". وهي مجموعة من 390 صورة صُممت خصيصاً للإيقاع بالذكاء الاصطناعي. تحتوي هذه الصور على نصوص يمكن للبشر قراءتها ولكنها تشكل تحدياً للآلات، وهي منظمة ضمن ثلاثة عشر نوعاً مختلفاً من الخدع البصرية. تتراوح هذه الخدع من النصوص المدوّرة أو المعكوسة، إلى الكلمات المخفية داخل أنماط معقدة، إلى الحروف التي تبدو وكأنها رُسمت يدوياً أو تم إنشاؤها بواسطة أنظمة ذكاء اصطناعي أخرى. وتتميز هذه المجموعة بأنها لا تكتفي بطلب تخمين الكلمة من الكمبيوتر فحسب، بل تتطلب منه الإشارة بدقة إلى مكان النص، وقراءته، والإجابة على سؤال حوله، مما يضمن أن الآلة ترى الموقع الصحيح حقاً وليس مجرد التخمين بناءً على السياق.
ولحل مشكلة هذه الصور الماكرة، طور الباحثون طريقة تدريب جديدة تسمى "ArmorOCR". لقد أدركوا أنه بينما قد يعاني الكمبيوتر لرؤية كلمة في شكلها الأصلي، فإن الكلمة نفسها قد تكون سهلة القراءة إذا تم تمديد الصورة قليلاً، أو تدويرها، أو تغيير حجمها. وبدلاً من مطالبة الكمبيوتر بإجراء هذه التحويلات في كل مرة ينظر فيها إلى صورة، علم الباحثون النموذج كيفية التعلم منها أثناء التدريب. لقد وضعوا عملية تعلم مكونة من خطوتين: في الخطوة الأولى، استخدموا نموذج "معلم" يمكنه رؤية الصورة بطرق مختلفة ومحولة. هذا النموذج المعلم، الذي يتميز بقدرته على رؤية النص بوضوح بعد معالجة الصورة، كان يقوم بتوجيه نموذج "طالب" لا يرى سوى الصورة الأصلية الصعبة. لم يكتفِ المعلم بإعطاء الإجابة فحسب، بل أرشد الطالب لكيفية إدراك النص المخفي عبر مشاركة فهمه الداخلي للمشاهد المحولة. سمح هذا للطالب باستيعاب القدرة على الرؤية من خلال الخدع البصرية دون الحاجة أبداً لرؤية تلك الخدع أثناء الاختبار الفعلي.
ركزت الخطوة الثانية من التدريب على تحسين كيفية استخدام النموذج لهذه القدرة الجديدة. منح الباحثون النموذج مكافآت محددة عن أداء أجزاء مختلفة من المهمة بشكل صحيح؛ فإذا نجح النموذج في الإشارة إلى المنطقة الصحيحة من الصورة، فإنه يحصل على مكافأة لعملية "التحديد الموضعي" (localization). وإذا قرأ النص بشكل صحيح، يحصل على مكافأة لعملية "التعرف" (recognition). وإذا استطاع العثور على جميع النصوص المخفية في صورة واحدة والإجابة على الأسئلة المتعلقة بها، فإنه يحصل على مكافآت لتلك المهام أيضاً. ومن خلال الجمع بين هذه المكافآت، تعلم النموذج كيفية موازنة كل هذه المهارات في آن واحد. وكانت النتيجة نظاماً يمكنه النظر إلى صورة واحدة غير معدلة وتحديد النص، وقراءته، وشرحه فوراً، وهو النص الذي كان غير مرئي للآلات سابقاً.
وعند اختباره على معيارهم الجديد، كانت النتائج مذهلة. سجلت معظم نماذج الذكاء الاصطناعي الحالية، بما في ذلك الأكبر والأكثر تقدماً، نتائج ضعيفة جداً في اختبار "AdvSpot"، حيث فشلت غالباً في التعرف على النص لأكثر من نصف المرات. ومع ذلك، تفوق نظام "ArmorOCR" الجديد عليها جميعاً بفارق كبير. لقد حسن القدرة على التعرف على النصوص العدائية بهامش واسع، محققاً أعلى دقة في كافة المجالات. والأهم من ذلك، وجد الباحثون أن هذا التدريب الجديد لم يجعل النموذج أسوأ في قراءة النصوص العادية والواضحة؛ إذ ظل النظام جيداً في مهام القراءة القياسية كما كان من قبل، مما يثبت أنه تعلم مهارة جديدة دون فقدان مهاراته القديمة. وتشير الدراسة إلى أنه من خلال تعليم النماذج كيفية التعلم من المشاهد المحولة أثناء التدريب، يمكننا بناء ذكاء اصطناعي أكثر قوة وموثوقية عند مواجهة العالم المرئي المعقد والمتلاعب به الذي يتنقل فيه البشر كل يوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.