ROI-Gated SAHI: Content-Adaptive Slicing-Based Inference for Efficient Object Detection

في عالم الرؤية الحاسوبية، يعد تعليم الآلات كيف ترى عملية توازن مستمرة بين الوضوح والسرعة. عندما تلتقط الكاميرا صورة عالية الدقة، فإنها تسجل كمية هائلة من التفاصيل، وهو أمر ضروري لرصد الأجسام الصغيرة مثل طائر في شجرة بعيدة أو سيارة في نهاية طريق سريع. ومع ذلك، فإن هذا المستوى العالي من التفاصيل يأتي بثمن باهظ: فمعالجة الصورة بأكملها دفعة واحدة تتطلب قدرة حوسبية هائلة، مما يؤدي غالباً إلى إبطاء الأنظمة أو جعلها مكلفة للغاية للتشغيل على الأجهزة المحمولة. ولحل هذه المشكلة، طور الباحثون تقنية تسمى "التقطيع" (slicing)، حيث يقوم الكمبيوتر بتقسيم الصورة الكبيرة إلى قطع أصغر ومتداخلة، ويحلل كل قطعة على حدة، ثم يعيد تجميع النتائج معاً. تجعل هذه الطريقة العثور على الأجسام الصغيرة أسهل، لكنها تجبر الكمبيوتر على القيام بقدر هائل من العمل، حتى على أجزاء من الصورة ليست سوى سماء فارغة أو جدار فارغ.

لقد قدم فريق من الباحثين الآن طريقة أكثر ذكاءً للتعامل مع هذه العملية، تعمل كحارس بوابة لانتباه الكمبيوتر. فنظامهم الجديد، المسمى ROI-Gated SAHI، لا يقطع الصورة بأكملها بشكل أعمى. بدلاً من ذلك، يأخذ نظرة سريعة ومنخفضة التكلفة أولاً لتحديد الأماكن التي توجد فيها الأجسام المثيرة للاهتمام بالفعل. ثم يوجه التحليل عالي الدقة فقط إلى تلك المناطق المحددة، متجاوزاً الخلفية الفارغة تماماً. ووجد الباحثون أن هذا النهج يعمل بشكل استثنائي عندما تكون الأجسام مبعثرة بشكل متفرق عبر المشهد، لكنه يتطلب شبكة أمان دقيقة لتجنب إبطاء العمل عند أن يكون المشهد مزدحماً.

الفكرة الجوهرية وراء هذا العمل هي منع الكمبيوتر من إضاعة الطاقة في لا شيء. في الطريقة التقليدية، يعامل النظام كل بوصة مربعة من صورة عالية الدقة على أنها متساوية في الأهمية، حيث يقطع الشيء بأكمله إلى شبكة من البلاطات ويشغل خوارزمية كشف معقدة على كل واحدة منها. يشبه هذا إرسال فريق من المفتشين الخبراء لفحص كل غرفة في مستودع ضخم وفارغ لمجرد العثين على صندوق واحد في غير مكانه. يغير الإطار الجديد سير العمل من خلال إضافة خطوة تمهيدية؛ حيث يقوم نموذج سريع وخفيف الوزن بمسح الصورة أولاً لإنشاء خريطة تقريبية لأماكن وجود الأجسام المحتملة. إذا كانت الصورة معظمها مساحة فارغة، يستخدم النظام هذه الخريطة لإنشاء شبكة أصغر ومركزة من البلاطات حول المناطق المكتشفة فقط، تاركاً بقية الصورة دون مساس.

اختبر الباحثون هذه الطريقة على مجموعة معيارية مكونة من 128 صورة تحتوي على أجسام متنوعة. وعندما طبقوا النظام الجديد على كل صورة دون أي تعديلات، كانت النتائج مختلطة. ففي المتوسط، كان الأسلوب الجديد أبطأ قليلاً من النهج التقليدي، حيث استغرق حوالي 298 ميلي ثانية مقارنة بـ 264 ميلي ثانية للطريقة القياسية. كما فاته المزيد من الأجسام، حيث انخفضت درجة الكشف من حوالي 0.76 إلى 0.66. حدث هذا لأن المسح السريع الأولي فشل أحياناً في رصد الأجسام في المشاهد المعقدة، كما أن الخطوة الإضافية لاتخاذ قرار بشأن مكان البحث أضافت وقتاً لم يتم توفيره عن طريق تجاوز الخلفية.

ومع ذلك، تغيرت القصة عندما قدم الباحثون قاعدة بسيطة لتقرير متى يتم استخدام الطريقة الجديدة. فقد وضعوا حداً معيناً: إذا كانت المساحة التقديرية للأجسام في الصورة أقل من 40 بالمائة من إجمالي الصورة، يستخدم النظام النهج الجديد المركز. وإذا غطت الأجسام أكثر من ذلك، فإنه يعود إلى الطريقة التقليدية لفحص الصورة بأكملها. ومع وجود هذه القاعدة التكيفية، أصبح النظام أسرع في المتوسط، محققاً تسريعاً بنحو 1.02 مرة عن الطريقة القياسية. جاء هذا المكسب الصغير ولكن الهام من تحديد النظام بشكل صحيح أن العمل الإضافي لفحص الخلفية الفارغة لم يكن يستحق التكلفة في العديد من الصور.

تجلت القوة الحقيقية للنظام عندما نظر الباحثون في أمثلة محددة لصور ذات كثافات مختلفة تماماً. ففي مشهد تغطي فيه الأجسام 2.7 بالمائة فقط من الصورة، كان الأسلوب الجديد أسرع بسبع مرات تقريباً، حيث قلل وقت المعالجة من أكثر من 500 ميلي ثانية إلى 76 ميلي ثانية فقط. وفي مشهد مزدحم بدرجة متوسطة حيث تغطي الأجسام حوالي 26 بالمائة، كان النظام أسرع بأكثر من مرتين. ولكن في مشهد كثيف جداً حيث ملأت الأجسام ما يقرب من 70 بالمائ من الرؤية، لم يقدم الأسلوب الجديد أي ميزة في السرعة تقريباً وكان أبطأ قليلاً، مما أكد أن التقنية تكون أكثر فائدة عندما تكون الصورة معظمها مساحة فارغة.

كما فحص الباحثون ما إذا كانت هذه السرعة تأتي على حساب الدقة. ووجدوا أنه بالنسبة للأجسام التي تمكن النظام من العثور عليها، كان الموقع والحجم متطابقين تقريباً مع تلك التي وجدتها الطريقة التقليدية. لقد فات النظام بعض الأجسام التي كان المسح الكامل سيلتقطها، لا سيما في المشاهد الكثيفة حيث واجه المسح السريع الأولي صعوبة في رؤية كل شيء. تشير هذه المقايضة إلى أن الطريقة هي الأنسب للتطبيقات التي تكون فيها السرعة بالغة الأهمية والمشاهد عامةً متفرقة، مثل مراقبة حقل مفتوح أو طريق سريع من طائرة بدون طيار. أما بالنسبة للبيئات المزدحمة، فإن قدرة النظام على التبديل إلى المسح الكامل تضمن عدم فقدان موثوقيته.

في نهاية المطاف، يوضح هذا العمل أن الكفاءة في الرؤية الحاسوبية لا تقتصر فقط على جعل خوارزمية الكشف أسرع، بل تتعلق بالذكاء في تحديد متى تستخدمها. ومن خلال التعامل مع قرار ما يجب معالجته كخيار يعتمد على المحتوى بدلاً من كونه قاعدة ثابتة، أظهر الباحثون أنه من الممكن تقليل الحمل الحوسبي بشكل كبير دون التضحية بالقدرة على العثور على ما يهم. لا يتطلب النظام إعادة تدريب نماذج الكشف الأساسية أو تغيير بنيتها، مما يجعله إضافة عملية يمكن دمجها فوق الأدوات الموجودة. وتشير النتائج إلى أنه بالنسبة للأجهزة محدودة الموارد، فإن مستقبل اكتشاف الأجسام لا يكمن في القيام بمزيد من العمل، بل في القيام بأقل قدر ممكن من العمل غير الضروري.