Strictly Causal Streaming Video Anomaly Detection with a Theoretically-Grounded State-Space Core
تقدم هذه الورقة كاشفاً لعيوب الفيديو بنظام البث المباشر، وهو نظام سببي صارم وبتعقيد زمني ثابت ، يعتمد على نموذج فضاء حالة مؤصل نظرياً مع بوابة اضمحلال تعتمد على المدخلات، مما يحقق زمن استجابة منخفض للغاية على أجهزة الحافة مع إثبات أن استجابته محكومة بحدود الأحداث بدلاً من الاضمحلال الأساسي، رغم أنه يتخلف حالياً عن النماذج المرجعية غير السببية في الدقة على مجموعات البيانات الصغيرة.
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 الهمهمة الهادئة لعدسة كاميرا المراقبة، تتدفق موجة مستمرة من الصور، ثانية تلو الأخرى. لعقود من الزمن، كافحت الحواسيب لمراقبة هذا التدفق في الوقت الفعلي، بحثاً عن تلك اللحظة الوحيدة التي يحدث فيها خطأ ما—سقوط، أو عراك، أو سرقة. التحدي لا يكمل فقط في رؤية الحدث، بل في رؤيته في اللحظة التي يقع فيها، دون انتظار مراجعة تسجيل أو تخزين جزء من الفيديو لتحليله لاحقاً. هذا هو مجال اكتشاف الشذوذ في الفيديو (video anomaly detection)، وهو مجال يجب على الآلات فيه تعلم إيقاع السلوك الطبيعي وتحديد النغمة التي تكسر هذا الإيقاع فوراً. تقليدياً، اعتمدت الأنظمة على النظر إلى مجموعات من الإطارات معاً، مثل قراءة فقرة لفهم جملة، مما يخلق تأخراً بين الحدث والتنبيه. ولكن بالنسبة للكاميرات المثبتة على الروبوتات أو الأجهزة المحمولة ذات الطاقة المحدودة، يكون هذا التأخير طويلاً جداً، والذاكرة المطلوبة للاحتفاظ بتلك الأجزاء من الفيديو ثقيلة للغاية. الهدف هو بناء نظام يعالج كل إطار بمجرد وصوله، باستخدام كمية ضئيلة وثابتة من الذاكرة، ويستجيب فوراً.
قام باحثون في المعهد الهندي للتكنولوجيا بجودهور ببناء نوع جديد من الكواشف المصممة لتلبية هذا المتطلب الصارم. فبدلاً من تخزين مقاطع الفيديو، يعامل نظامهم التدفق الوارد كتدفق مستمر، حيث يقوم بتحديث فهمه الداخلي مع كل صورة جديدة يتلقاها. وفي قلب هذا النظام، يوجد هيكل رياضي يتذكر الماضي ولكنه ينسى الماضي البعيد بسرعة، ما لم يحدث شيء مهم. قام الفريق بتدريب هذا النظام باستخدام فيديوهات للنشاط الطبيعي فقط، لتعليمه التنبؤ بما يجب أن يبدو عليه الإطار التالي بناءً على ما سبقه. وعندما يصل الإطار الفعلي ولا يتطابق مع التنبؤ، يطلق النظام إنذاراً. وما يجعل هذا العمل فريداً هو أنه لا يعمل نظرياً فحسب؛ فقد أثبت الباحثون رياضياً كيف تتحكم إعدادات ذاكرة النظام في سرعة استجابته، واختبروه على أجهزة حقيقية موجودة في الأجهزة الاستهلاكية، وليس فقط على الحواسيب الفائقة القوية.
إن جوهر اختراعهم هو آلية تعمل كحارس بوابة للذاكرة. في الظروف العادية، يحتفظ النظام بالمعلومات لفترة من الوقت، مما يؤدي إلى تنعيم التغييرات الصغيرة. ومع ذلك، صمم الباحثون بوابة محددة يمكنها أن تُغلق بإحكام فوراً إذا تعارضت الصورة الواردة مع ما يتوقعه النظام. عندما يحدث هذا، يقوم النظام فعلياً بإعادة ضبط ذاكرته في جزء من الثانية، مما يسمح له بالاستجابة للشذوذ بشكل فوري تقريباً. ولفهم مدى سرعة ذلك، استنتج الفريق قاعدة تربط إعدادات ذاكرة النظام بوقت استجابته. وجدوا أنه لو اعتمد النظام فقط على إعدادات الذاكرة القياسية الخاصة به، فسيستغرق ما يقرب من ستين إطاراً للاستجابة الكاملة لتغيير مفاجئ. ومع ذلك، عندما شاهدوا النظام أثناء العمل، وجدوا أنه استجاب في وقت أقل بكثير—أحياناً في إطار واحد أو اثنين فقط. كشفت هذه الفجوة أن آلية البوابة كانت تقوم بالعمل الشاق، متجاوزة إعدادات الذاكرة البطيئة بمجرد ظهور خلل ما.
اختبر الباحثون نظامهم على مجموعتي بيانات قياسيتين تُستخدم لتدريب كاميرات المراقبة: إحداهما تصور ممشى في حرم جامعي، والأخرى تعرض شارعاً مزدحماً. قاموا بتشغيل البرنامج على شريحة Apple M3 Pro، وهي معالج يوجد في أجهزة الكمبيوتر المحمولة الحديثة، لقياس مدى سرعة تشغيله في العالم الحقيقي. كانت النت النتائج مذهلة من حيث سرعتها؛ فقد عالج النظام كل إطار في أقل من ميلي ثانية واحدة، محققاً سرعة تزيد عن 1,300 إطار في الثانية. وهذا أسرع بكثير من سرعة بث الفيديو القياسي، مما يعني أن النظام لديه هامش أمان هائل ويمكنه العمل بسهولة على أجهزة أضعف بكثير. ومع ذلك، لم تكن دقة النظام مثالية؛ ففي حالته الأولية غير الضبط، حدد الشذوذ بشكل صحيح بنسبة 68% تقريباً في مجموعة بيانات الحرم الجامعي و70% في مجموعة بيانات الشارع. وبينما تعد هذه النسب أقل من الدرجات التي تصل إلى 90% أو أكثر والتي تظهر غالباً في دراسات أخرى، فإن تلك الدراسات عادة ما تستخدم طرقاً تنظر إلى مقاطع الفيديو بعد وقوع الحدث أو تتطلب بطاقات رسومات قوية لا يمكنها العمل على الأجهزة الطرفية (edge devices). وقد كان المؤلف حريصاً على الإبلاغ عن هذه الأرقام بأمانة، مشيراً إلى أن طريقتهم هي خطوة أولى نحو حل يعمل في الوقت الفعلي بدقة، وليست منتجاً نهائياً مكتملاً.
كشفت نظرة أعمق للنتائج عن تفصيل دقيق ومفاجئ حول كيفية تعلم النظام. اختبر الباحثون ما إذا كانت "البوابة" الخاصة التي تسمح بإعادة ضبط الذاكن الفوري مفيدة دائماً. في مجموعة البيانات الأصغر التي تحتوي على فيديوهات تدريب أقل، أدى إزالة البوابة في الواقع إلى تحسين دقة النظام، مما يشير إلى أن البوابة كانت تسبب للنظام "فرط تعلم" للأمثلة القليلة التي لديه. ولكن في مجموعة البيانات الأكبر التي تحتوي على فيديوهات أكثر بكثير، أصبحت البوابة ضرورية، وأدت إزالتها إلى انخفاض الدقة بشكل حاد. يشير هذا إلى أن البوابة أداة قوية، لكنها تتطلب قدراً كافياً من البيانات لتعلم كيفية استخدامها بشكل صحيح دون ارتباك. كما اختبر الفريق أحجاماً مختلفة لذاكرة النظام الداخلية ووجدوا أنه في مجموعة البيانات الأصغر، كانت الذاكرة الأصغر تعمل بشكل أفضل، بينما في المجموعة الأكبر، ساعدت الذاكرة الأكبر قليلاً. تشير هذه النتائج إلى أن تصميم النظام ليس حلاً واحداً يناسب الجميع؛ فمكوناته تتفاعل مع كمية البيانات المتاحة بطرق معقدة.
تخلص الدراسة إلى أنه على الرغم من أن النظام ليس بعد الأكثر دقة في الكشف المتاح، إلا أنه نجح في سد فجوة حرجة بين النظرية والتطبيق. فهو يثبت أن نظاماً سببياً بحتاً—لا ينظر للمستقبل أبداً ولا يخزن مقاطع فيديو—يمكنه العمل على الأجهزة الاستهلاكية بسرعة مذهلة. يقر الباحثون بأن عملهم لم يكتمل بعد؛ فلم يختبروا النظام بعد على مجموعة بيانات ثالثة أكبر، ولم يقوموا بعد بتحسين إعدادات النظام لسد الفجوة في الدقة مع الطرق القديمة. كما أشاروا إلى أن تقييمهم الحالي لمكان حدوث الشذوذ بالضبط في الفيديو هو تقييم تقريبي، وأن اختباراً أكثر دقة سيتطلب أدوات مختلفة. ومع ذلك، يوفر هذا العمل مخططاً واضحاً لكيفية بناء أنظمة فهم الفيديو لتكون سريعة، وفعالة، وتعمل في الوقت الفعلي حقاً، مما ينقل المجال من المعالجة الثقيلة والمتأخرة نحو مستقبل يمكن فيه للكاميرات أن تفكر وتستجيب في اللحظة التي يحدث فيها شيء غير عادي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.