2D Rotary Position Embedding for Scene Text Recognition with Transformers

في عالم الرؤية الرقمية الصاخب، تتعلم الآلات باستمرار كيفية قراءة العالم من حولنا. فمن مسح لوحات ترخيص السيارات على الطرق السريعة إلى ترجمة لافتات الشوارع في مدينة أجنبية، تعد القدرة على التعرف على النصوص في البيئات الطبيعية حجر الزاوية في التكنولوجيا الحديثة. لسنوات طويلة، عانت الحواسيب من هذه المهمة عندما لا يكون النص مستقيماً تماماً أو مطبوعاً على صفحة بيضاء نظيفة. فالكلمات في العالم الحقيقي غالباً ما تكون منحنية، أو مائلة، أو ممتدة بسبب زاوية الكاميرا، مما يخلق لغزاً بصرياً تجد خوارزميات القراءة القياسية صعوبة في حله. ولمساعدة الحواسيب على فهم ترتيب الحروف، اعتمد الباحثون لفترة طويلة على نظام من العلامات الموضعية. فكر في هذه العلامات كأنها نظام عناوين بسيط يخبر الحاسوب أي حرف يأتي أولاً، وثانياً، وثالثاً في السطر. وبينما يعمل هذا النظام بشكل جيد مع النصوص الأفقية المستقيمة، فإنه ينهار عندما ينحني النص أو يلتوي، لأن الحاسوب يفقد تتبع كيفية ارتباط الحروف ببعضها البعض في الفضاء ثنائي الأبعاد.

وقد طور باحث الآن طريقة جديدة لمنح الحواسيب هذا الوعي المكاني، مصممة خصيصاً للنصوص غير المنتظمة والمبعثرة الموجودة في العالم الحقيقي. لقد ابتكر طريقة تسمى "تضمين الموضع الدوراني ثنائي الأبعاد" (2D Rotary Position Embedding)، والتي تستبدل نظام العناوين القديم أحادي البعد بطريقة ديناميكية لفهم الموضع. وبدلاً من مجرد عد الخطوات على طول خط واحد، تسمح هذه الطريقة الجديدة للحاسوب بتدوير فهمه للنص بناءً على المسافة الرأسية والأفقية بين الحروف. وهذا يعني أن الآلة يمكنها إدراك أن حرفاً ما يقع "بجانب" حرف آخر حتى لو كانت الكلمة مكتوبة في دائرة أو مشهد من زاوية حادة. وقد اختبروا هذا النظام على ست مجموعات مختلفة من الصور القياسية التي تحتوي على كل شيء، من اللافتات المنحنية إلى اللوحات الإعلانية المشوهة بفعل المنظور. وأظهرت نتائجهم أن هذه الطريقة الجديدة تفوقت بشكل كبير على التقنيات السابقة، لا سيما عندما كان النص غير منتظم. وكان التحسن أكثر دراماتيكية في الصور الأكثر تحدياً، حيث حدد النظام الجديد الكلمات بشكل صحيح بينما أخطأت النماذج القديمة في قراءتها، وكل ذلك دون إضافة أي تعقيد إضافي أو تكلفة ذاكرة لعقل الحاسوب.

يكمن جوهر هذا التقدم في كيفية معالجة الحاسوب للصورة. فغالباً ما تقوم الطرق التقليدية بتسطيح الصورة إلى خط واحد طويل من البيانات، متجاهلة حقيقة أن النص يوجد على سطح مستوٍ له ارتفاع وعرض. وعندما يكون النص منحنياً أو مائلاً، فإن هذا التسطيح يشوه العلاقة بين الحروف، مما يتسبب في فقدان الحاسوب لمكانه. ومع ذلك، تتعامل الطريقة الجديدة مع الصورة كشبكة حقيقية ثنائية الأبعاد. فهي تخصص توقيعاً مكانياً فريداً لكل جزء من الصورة يتغير اعتماداً على الموقع النسبي للحروف. فإذا كان أحد الحروف فوق وعلى يمين حرف آخر، فإن النظام يفهم هذه العلاقة الهندسية المحددة، بغض النظر عن كيفية التواء الكلمة بأكملها. وهذا تمييز حاسم لأنه يسمح للحاسوب باتباع التدفق الطبيعي للقراءة، حتى عندما لا يكون هذا التدفق خطاً أفقياً مستقيماً.

وقد أثبت الباحث قوة هذا النهج من خلال مقارنة نظامه الجديد مباشرة بالنماذج القديمة باستخدام بيانات تدريب وأجهزة متطابقة. وفي مثال صارخ، نظر نموذج يستخدم الطريقة القديمة إلى لافتة منحنية مكتوب عليها "coffee" وقرأها كأنها "come"، حيث فاتته الحروف تماماً لأن الانحناء أفسد عملية العد الخطي لديه. أما النظام الجديد، باستخدام الدوران المكاني ثنائي الأبعاد، فقد قرأ الكلمة بشكل صحيح. ولم تكن هذه حادثة معزولة؛ فعبر آلاف الصور الاختبارية، حل النظام الجديد باستمرار المشكلات التي فشلت فيها الأنظمة القديمة، خاصة في مجموعات البيانات المعروفة بالتشوهات الصعبة. وفي مجموعة من الصور التي تتميز بالنصوص المنحنية، حسنت الطريقة الجديدة الدقة بنحو أربع نقاط مئوية عن أفضل نموذج سابق. وعلى الصور ذات تشوه المنظور، حيث يبدو النص وكأنه يتراجع في المسافة، أظهر النظام مكاسب مماثلة.

وما يجعل هذا الاكتشاف أنيقاً بشكل خاص هو بساطته. فلم يحتج الباحث إلى إعادة تصميم بنية الحاسوب بالكامل أو إضافة ملايين المعلمات الجديدة لجعل الأمر يعمل. فنظام الموضع الجديد يعمل كـ "وحدة إضافية" (plug-in module) يمكن استبدالها في برامج القراءة الموجودة. وهو لا يتطلب أي ذاكرة إضافية تقريباً، حيث يضيف فقط رقمين صغيرين إلى إعدادات النظام لضبط شكل النص. وتوحي هذه الكفاءة بأن العقبة في قراءة النصوص غير المنتظمة لم تكن نقصاً في قدرة الحوسبة، بل كانت خللاً في كيفية تعليم الحاسوب فهم المساحة. ومن خلال إصلاح هذا الفهم الخاطئ للهندسة، حقق الباحث قفزة نوعية في الأداء.

تضمنت الدراسة أيضاً نظرة تفصيلية حول سبب عمل النظام، باستخدام أدوات بصرية لرؤية أين كان الحاسوب "ينظر" عندما قرأ النص. وأظهرت هذه التصورات أن الطريقة الجديدة سمحت للحاسوب بالتركيز بدقة على ضربات الحروف، متبعاً مسارها حتى عندما كانت مقوسة أو مائلة. وفي المقابل، كانت النماذج القديمة تميل إلى التشتت بالخلفية أو فقدان تتبع تسلسل الحروف عندما تتغير الهندسة. ووجد الباحث أن النظام كان أكثر فعالية عندما خصص المزيد من قدرة المعالجة للبعد الرأسي للنص، مما يعكس حقيقة أن خطوط النصوص عادة ما تكون أعرض مما هي عليه في الارتفاع. وقد ثبت أن هذا التعديل الصغير، المتوافق مع الشكل الطبيعي للكلمات، كان عاملاً رئيسياً في نجاحه.

وبينما تمثل هذه الطريقة الجديدة خطوة كبيرة للأمام، يقر الباحث بأنها ليست حلاً مثالياً لكل شكل ممكن. فالنظام مصمم للتعامل مع العلاقات الأفقية والرأسية بشكل جيد، لكنه لا يزال بإمكانه مواجهة صعوبات مع النصوص المائلة بشدة أو المرتبة في أنماط معقدة وغير خطية. ويقترح أن العمل المستقبلي يمكن أن يوسع هذه الفكرة لتشمل التعامل مع زوايا أكثر تنوعاً، ومن المحتمل تطبيقها على الفيديو، حيث تتحرك النصوص عبر مساحة ثلاثية الأبعاد. ومع ذلك، توفر النتائج حالياً تحسيناً واضحاً وعملياً للآلات التي تحتاج إلى قراءة العالم كما يظهر بالفعل، وليس كخط مستقيم مبسط. فمن خلال تعليم الحواسيب احترام الهندسة الحقيقية للنصوص، يقربنا هذا البحث من مستقبل يمكن فيه للأنظمة الرقمية قراءة أي لافتة، وأي ملصق، وأي ملاحظة، بغض النظر عن كيفية كتابتها أو مكان وجودها.