Weakly Supervised Video Anomaly Detection Using CNN-LSTM with Confidence-Aware Automated Pseudo Label Generation

تراقب كاميرات المراقبة مدننا ومتاجرنا وشوارعنا، وتلتقط تدفقاً مستمراً للنشاط البشري. ولعقود من الزمن، كان الهدف هو بناء حواسيب يمكنها مشاهدة هذه اللقطات معنا، ورصد المشكلات في لحظة وقوعها. ومع ذلك، فإن التحدي يكمل في أن تعليم الكمبيوتر التعرف على عراك أو سرقة أو حريق أمر صعب للغاية؛ إذ يتطلب الأمر إظهار آلاف الأمثلة لهذه الأحداث للآلة، مع تحديد كل لحظة خطر من قبل خبير بشري. إن هذا التصنيف اليدوي بطيء ومكلف، وغالباً ما يكون من المستحيل القيام به بالنسبة للكميات الهائلة من بيانات الفيديو التي يتم إنتاجها يومياً. وبدون هذه الملصقات التفصيلية، تعاني البرامج الحاسوبية القياسية في تعلم ما هو طبيعي وما هو ليس كذلك، وغالباً ما ترتبك بسبب التنوع الهائل للحياة اليومية.

ولحل هذه المعضلة، طور باحثون في جامعة شيراز طريقة جديدة لتعليم الحواسيب رصد الشذوذ دون الحاجة إلى تدخل بشري لتسمية كل ثانية من الفيديو. فبدلاً من الاعتماد على الملاحظات اليدوية المكلفة، يبني نظامهم فهمه الخاص لما يحدث من خلال مشاهدة الفيديو عبر ثلاث عدسات مختلفة. أولاً، يبحث عن الحركة، محددًا أي جزء من الشاشة تتغير فيه البكسلات. ثان، يحاول التعرف على أجسام محددة، مثل شخص أو مركبة، ضمن تلك المناطق المتحركة. وأخيراً، يرسم خطاً خارجياً دقيقاً حول تلك الأجسام ليرى بالضبط مقدار المساحة التي تشغلها. ومن خلال الجمع بين هذه الملاحظات الثلاث، يولد النظام "تخمناته" الخاصة حول أي أجزاء الفيديو طبيعية وأيها غريبة. هذه التخمينات، المعروفة باسم "الملصقات الزائفة"، ليست مثالية، لكن الباحثين صمموا طريقة خاصة لوزن مدى ثقة النظام في كل تخمين، متجاهلين التخمينات غير المؤكدة والتركيز على الإشارات الواضحة.

جوهر هذا النهج الجديد هو نموذج حاسوبي خفيف الوزن يتعلم من هذه التخمينات الآلية. استخدم الباحثون نظام رؤية مُدرب مسبقاً، يعمل كزوج من العيون التي تعلمت بالفعل التعرف على الأشكال والأجسام من ملايين الصور، وقاموا بتجميد إعداداته حتى لا تتغير أثناء التدريب. وقد وفر هذا قدراً هائلاً من القدرة الحوسبية، حيث قلل عدد الأجزاء القابلة للتعديل في النظام بنسبة تقارب أربعة وتسعين بالمئة. ثم استخدم النموذج مكوناً ذاكرياً لتذكر تسلسل الأحداث، وربط النقاط بين الإطارات لفهم كيفية تطور المشهد بمرور الوقت. ولضمان عدم انتقال النظام بشكل عشوائي بين تصنيف المشهد كطبيعي ثم غير طبيعي، أضافوا قاعدة تشجع على التنبؤات السلسة والمتسقة من لحظة إلى أخرى.

وعند اختبار النظام على مجموعة كبيرة من فيديوهات المراقبة التي تحتوي على ثلاثة عشر نوعاً مختلفاً من الجرائم، أظهر النظام درجة عالية من الموثوقية. فقد نجح في تحديد الأحداث غير الطبيعية في حوالي ثمانين بالمئة من حالات الاختبار، وحقق درجة متوازنة بلغت ثمانية وسبعين بالمئة في التمييز بين النشاط الطبيعي وغير الطبيعي. أجرى الباحثون التجربة خمس مرات مع نقاط بداية عشوائية مختلفة لضمان اتساق النتائج، وظل الأداء مستقراً عبر جميع التجارب. والأهم من ذلك، أن النظام حقق ذلك دون أن يضطر أي إنسان لتحديد اللحظات الخطرة يدوياً في فيديوهات التدريب. لقد أثبتت العملية الآلية للكشف عن الحركة، وتحديد الأجسام، ورسم حدودها، أنها بديل قابل للتطبيق لعملية التوسيم البشري، مما يجعل من الممكن توسيع نطاق مراقبة الفيديو لتشمل مجموعات بيانات أكبر بكثير من أي وقت مضى.

كما كشفت الدراسة أن كل جزء من خط الإنتاج الآلي كان ضرورياً. فعندما أزال الباحثون كشف الحركة، أو التعرف على الأجسام، أو التحديد الدقيق للحدود الخارجية، انخفضت قدرة النظام على رصد المشكلات بشكل كبير. وقد أكد هذا أن الجمع بين هذه الإشارات المرئية الثلاث وفر صورة أغنى وأكثر موثوقية مما قد يقدمه أي منهج منفرد بمفرده. ورغم أن النظام ليس مثالياً بعد، ولا يزال بإمكانه مواجهة الصعوبات في المشاهد المزدحمة جداً أو في ظروف الإضاءة الضعيفة، إلا أنه يمثل خطوة كبيرة للأمام في جعل المراقبة الآلية أمراً عملياً. فمن خلال إزالة عقبة التوسيم اليدوي وخفض تكلفة الحوسبة بشكل جذري، يوفر هذا النهج مساراً واقعياً لنشر أنظمة المراقبة الذكية في العالم الحقيقي، حيث يمكنها مراقبة الأماكن العامة بمستوى من الانتباه لا يمكن للبشر الحفاظ عليه ببساطة.