A VLM Answer Is Not an Anomaly Score: Rank Compression in Training-Free Video Anomaly Detection
تُثبت هذه الورقة البحثية أنه في عملية كشف الشذوذ في الفيديو الخالية من التدريب باستخدام نماذج الرؤية واللغة، فإن استخدام مخرجات قائمة على الاحتمالات تستفيد من توزيع الإجابة الكامل يتفوق بشكل كبير على نهج الإجابة المولدة القياسي عبر تجنب "ضغط الترتيب"، حيث تندمج توزيعات المقاطع المتميزة في درجات متطابقة، مما يحافظ على الترتيب الدقيق اللازم للتقييم الدقيق.
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 لنظام مراقبة، تراقب كاميرا زاوية شارع، أو أرضية مصنع، أو محطة مترو، منتظرة وقوع شيء خاطئ. لعقود من الزمن، كافحت الحواسيب لرصد هذه اللحظات من المشاكل، المعروفة باسم الشذوذ، لأنها نادرة، وغير متوقعة، وغالباً ما تبدو وكأنها لا شيء على الإطلاق حتى تقع. كانت الأنظمة التقليدية تتطلب من المهندسين تعليمها كيف يبدو الجرم أو الحادث عبر تغذيتها بآلاف الأمثلة، وهي عملية بطيئة وجامدة. مؤخراً، قدم نوع جديد من الذكاء الاصطناعي يسمى "نموذج الرؤية واللغة" مساراً مختلفاً. هذه أنظمة قوية يمكنها رؤية صورة وفهمها من خلال عدسة اللغة البشرية. فبدلاً من تدريبها على أمثلة محددة للعنف أو السرقة، يمكن سؤالها سؤالاً بسيطاً: "هل يحدث شيء خطير هنا؟" إذا قالت النماذج "نعم"، يقوم النظام بوضع علامة على تلك اللحظة. يبدو هذا حلاً مباشراً، لكن دراسة جديدة تكشف أن الطريقة التي نستمع بها إلى الإجابة تهم بقدر أهمية الإجابة نفسها.
بحث باحثون في جامعة سونغ كيون كوان في كوريا الجنوبية حول كيفية ترجمة هذه النماذج لأفكارها إلى درجة يمكن للحاسوب استخدامها لتصنيف الأحداث. ووجدوا أن الطريقة القياسية لاستخدام هذه النماذج كانت تلقي بمقدار هائل من المعلومات المفيدة. فعندما يُسأل النموذج عن تقييم مقطع فيديو، فإنه لا يكتفي باختيار كلمة واحدة مثل "نعم" أو "لا" من قائمة، بل يحسب احتمالية لكل إجابة ممكنة قد يقدمها. فكر في الأمر كمقياس لليقين؛ قد يكون النموذج متأكداً بنسبة 94% أن المقطع خطير، ومتأكداً بنسبة 56% أن مقطعاً آخر خطير. وتحت الطريقة القديمة، كان كلا المقطعين سيحصلان ببساطة على تسمية "نعم"، وسيعاملهما الحاسوب كأنهما متطابقان. واكتشف الباحثون أن هذا الفقدان في التفاصيل، والذي أطلقوا عليه اسم "ضغط التصنيف"، يتسبب في جعل النظام يفوت الفروق الدقيقة التي تفصل بين حادث وشيك وبين خطر واضح.
ولإصلاح ذلك، اختبر الفريق نهجاً مختلفاً. فبدلاً من انتظار اختيار النموذج لكلمة واحدة، نظروا إلى النطاق الكامل للاحتمالات التي ولدها النموذج لكل إجابة ممكنة. لقد حولوا توزيع اليقين هذا بالكامل إلى رقم واحد دقيق. هذه الطريقة، التي أطلقوا عليها اسم "القراءة الاحتمالية"، سمحت للنظام بأن يرى أن المقطع ذو نسبة 94% أكثر خطورة بشكل ملحوظ من المقطع ذي نسبة 56%، رغم أن كليهما صُنفا كـ "نعم". وعندما اختبروا هذه الطة عبر أربعة نماذج ضخمة مختلفة ومعيارين رئيسيين لشذوذ الفيديو، كانت النتائج مذهلة. فقد تفوق النهج الجديد على النهج القديم في كل اختبار على حدة. وفي إحدى مجموعات البيانات، وصلت نسبة التحسن في الدقة إلى 13 نقطة مئوية، وفي أخرى، وصلت إلى ما يقرب من 19 نقطة. لم تكن هذه المكاسب مجرد تقلبات طفيفة؛ بل كانت ثابتة وهامة، وظهرت بغض النظر عن النموذج المستخدم أو نوع السؤال المطروح.
استكشف الباحثون أيضاً سبب فشل الطريقة القديمة في كثير من الأحيان. ووجدوا أنه حتى عندما أعطوا النماذج مقياساً دقيقاً للغاية للاختيار منه، مما سمح لها بالاختيار من بين 91 رقماً بدلاً من اثنين فقط، فإن النماذج كانت لا تزال تضغط إجاباتها في عدد قليل من القيم المتكررة. وكان النظام سينتهي به الأمر بمعاملة العديد من المقاطع المختلفة كأنها متطابقة، مما يخلق "تعادلاً" في التصنيف. وتجنبت الطريقة الجديدة هذا الفخ تماماً؛ فمن خلال استخدام التوزيع الاحتمالي الكامل، استطاع النظام التمييز بين كل لحظة في الفيديو تقريباً، مما خلق تصنيفاً سلساً ومفصلاً بدلاً من قائمة متعرجة من حالات التعادل. وكان هذا الفرق حاسماً، لأنه في مجال الأمن، فإن القدرة على تصنيف اللحظات الأكثر خطورة في المقدمة هي ما يهم حقاً. وأظهرت الدراسة أن الطريقة الجديدة يمكنها مضاعفة عدد الأخطار الفعلية التي يتم العثور عليها عند معدل منخفض من الإنذارات الكاذبة، مما يجعل النظام أكثر فائدة بمرتين دون الحاجة إلى أي تدريب جديد أو قوة حوسبة إضافية.
تحقق الفريق أيضاً للتأكد من أن هذه الميزة كانت حقيقية وليست مجرد نتاج لصياغة السؤال أو الطريقة التي يُطلب بها من النموذج شرح نفسه. فقد جربوا طلب وصف المشهد من النماذج قبل إعطاء الدرجة، أو شرح منطقهم بعد ذلك. وفي كل حالة، ظلت الطريقة التي تنظر إلى التوزيع الاحتمالي الكامل هي المتفوقة. حتى أنهم اختبروا ما إذا كانت النماذج الأكبر والأكثر قوة ستسد الفجوة، لكنهم وجدوا أن الميزة استمرت بل وزادت أحياناً. الحالة الوحيدة التي تقلصت فيها الميزة كانت عندما يُجبر النموذج على كتابة شرح قبل إعطاء درجته، مما بدا وكأنه يضغط يقينه الداخلي. وهذا يشير إلى أن مفتاح إطلاق الإمكانات الكاملة لأنظمة الذكاء الاصطناعي هذه يكمن في كيفية قراءة مخرجاتها.
هذا العمل لا يقدم مجرد تعديل بسيط، بل يعيد تعريف خطوة حاسمة في كيفية استخدامنا للذكاء الاصطناعي من أجل السلامة. لقد أثبت الباحثون أن الواجهة بين العملية الفكرية الداخلية للنموذج والدرجة النهائية ليست تفصيلاً ثانوياً، بل هي جزء مركزي من أداء النظام. فبمجرد تغيير طريقة قراءة إجابة النموذج - عبر النظر إلى الصورة الكاملة لليقين بدلاً من مجرد الكلمة النهائية - يمكن للمهندسين تحويل نفس النموذج الجامد إلى كاشف أكثر حدة. وتخلص الدراسة إلى أنه لأي شخص يبني أنظمة للمراقبة بحثاً عن المشاكل، فإن اختيار كيفية تفسير إجابة النموذج لا يقل أهمية عن النموذج نفسه. إنه تذكير بأنه في عالم الذكاء الاصطناعي، غالباً ما تكون الإشارة الأكثر قوة مخبأة في تفاصيل ما كاد أن يُقال، وليس فقط في الكلمة الأخيرة المنطوقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.