LipiNet: A Lite Robust Architecture with Scaffold-Injected Dense Residual Networks and Gated Capsule Routing for Devanagari Handwritten Character Recognition

في عالم الحواسيب القادرة على قراءة خط اليد، هناك عادة مستمرة تتمثل في حل المشكلات ببساطة عن طريق جعل الآلات أكبر حجماً. فعلى مدى عقود، قام الباحثون ببناء أدمغة رقمية ضخمة، وحشوها بالملايين من الأزرار الصغيرة القابلة للتعديل، آملين أن يؤدي الحجم الهائل في النهاية إلى دفع الكمبيوتر لاستيعاب الأشكال المعقدة للحروف من تلقاء نفسه. وقد نجح هذا النهج جيداً مع لغات مثل الإنجليزية، حيث تكون الحروف بسيطة نسبياً، لكنه يصطدم بحائط مسدود مع النصوص التي تحمل قواعد هندسية أكثر تعقيداً. فعندما يحاول الكمبيوتر تعلم نص دون إخباره بالقواعد، يتعين عليه حفظ كل تباين ممكن لكل حرف، مما يتطلب كميات هائلة من الذاكرة وقدرة المعالجة. والسؤال الذي ظل عالقاً في هذا المجال هو ما إذا كان هذا الحجم الضخم ضرورياً حقاً، أم أن المشكلة تكمن في محاولة الحواسيب التعلم من الصفر بدلاً من منحها بداية مساعدة.

لقد اقترح فريق من الباحثين من جامعة كاتماندو في نيبال طريقاً مختلفاً للمضي قدماً، وهو طريق يحترم الهندسة الفريدة لخط "ديفاناغاري"، وهو نظام الكتابة المستخدم في اللغات الهندية والسنسكريتية وعدة لغات أخرى. ويجادلون بأنه بدلاً من إجبار كمبيوتر عام على تخمين بنية هذه الحروف، فمن الأكثر كفاءة بناء بنية الكمبيوتر حول القواعد المحددة التي يتبعها هذا الخط بالفعل. في "ديفاناغاري"، يتدلى كل حرف تقريباً من خط أفقي مستمر في الأعلى، يُعرف باسم "شيروريكا" (shirorekha). وهذا الخط ليس مجرد ميزة زخرفية؛ بل هو قاعدة هيكلية أساسية تحدد الحرف. ووجد الباحثون أنه من خلال تعليم الكمبيوتر صراحةً البحث عن هذا الخط وربط عملية تعلمه به، استطاعوا إنشاء نظام ليس فقط أصغر وأسرع، بل أيضاً أكثر دقة من النماذج العملاقة المستخدمة حالياً.

قدم الباحثون نظاماً جديداً أطلقوا عليه اسم "ليبينت" (LipiNet)، وهو اختصار لبنية خفيفة الوزن ومتينة مصممة خصيصاً لهذه المهمة. وعلى عكس النماذج السابقة التي تعامل كل حرف مكتوب بخط اليد كصورة عامة ليتم تصنيفها، فقد بُني "ليبينت" مع وضع "سقالة" محددة في الاعتبار. تخيل عملية تعلم الكمبيوتر كسلسلة من الطبقات، حيث تستخلص كل طبقة تفاصيل أكثر تعقيداً من الصورة. في الأنظمة التقليدية، تكون هذه الطبقات عامة؛ فهي تبحث عن الحواف والمنحنيات والأنسجة دون معرفة ما هو الشيء النهائي الذي يُفترض أن يكون شكله. ومع ذلك، يقوم "ليبينت" بحقن تذكير مستمر بـ "الشيروريكا" في كل طبقة من طبقات عملية التعلم هذه. ويقوم بذلك باستخدام مرشح متخصص يمسح الصورة خصيصاً للبحث عن ذلك الشريط الأفقي العلوي منذ البداية تماماً. هذا المرشح ينشئ دليلاً هيكلياً، أو "سقالة"، يتم تمريرها بعد ذلك عبر الشبكة، مما يضمن عدم فقدان الكمبيوتر لأهم قاعدة هندسية في هذا الخط.

ولجعل هذا يعمل، صمم الفريق نظاماً ذا مسارين في بداية الشبكة. مسار ينظر إلى الصورة بشكل طبيعي، باحثاً عن الأنسجة والأشكال العامة، بينما يخصص المسار الآخر بالكامل للعثور على ذلك الشريط الأفقي العلوي. ثم يتم دمج هذين المسارين من المعلومات، حيث يعمل الدليل الهيكلي كمرساة موزونة تحافظ على تركيز الكمبيوتر على هندسة النص. وهذه المرساة ليست مجرد فحص لمرة واحدة؛ بل يتم حقنها بشكل متكرر بينما يعالج الكمبيوتر الصورة بعمق أكبر. وقد اختبر الباحثون أوزانًا مختلفة لهذه المرساة ووجدوا أن وزناً متوسطاً محدداً سمح للكمبيوتر بتعلم التفاصيل الفريدة لكل حرف مع الاستمرار في احترام الهيكل العام. فإذا كانت المرساة ضعيفة جداً، ينسى الكمبيوتر القاعدة؛ وإذا كانت قوية جداً، فإنه يتجاهل التفاصيل الفريدة التي تميز حرفاً عن آخر.

بمجرد أن يعالج الكمبيوتر الصورة من خلال هذه الطبقات المهيكلة، فإنه يحتاج إلى تحديد الحرف الذي ينظر إليه. وقد أضاف الباحثون مكوناً نهائياً يعمل مثل نظام تصويت ذكي. فبدلاً من مجرد النظر إلى الصورة النهائية والتخمين، يقوم هذا النظام بتنظيم المعلومات في مجموعات تمثل فئات مختلفة من الحروف. وهو يستخدم طريقة مبسطة للتحقق من مدى توافق ميزات الصورة مع الأنماط المعروفة لكل حرف، وهي عملية أسرع بكثير وتتطلب قدرة حوسبة أقل من الطرق القديمة. تجمع هذه الخطوة النهائية بين تحليل الصورة العام والمعرفة الهيكلية المحددة، مما يسمح للنظام باتخاذ قرار واثق بناءً على شكل الضربات وموقعها بالنسبة للشريط العلوي.

وعندما اختبر الفريق نظام "ليبينت" على مجموعة بيانات قياسية مكونة من 46 حرفاً من حروف "ديفاناغاري"، كانت النتائج مذهلة. فقد حقق النظام دقة اختبار بلغت 99.75%، وهي أعلى من أي طريقة سابقة في هذا المعيار المحدد. والأهم من ذلك، أنه فعل ذلك باستخدام 3.9 مليون معلمة قابلة للتعديل فقط. ولتوضيح ذلك، فإن النماذج الأفضل أداءً سابقاً كانت تتطلب ما بين 17 مليوناً و39 مليون معلمة للوصول إلى مستويات دت مماثلة أو أقل قليلاً من الدقة. وهذا يعني أن "ليبينت" أكثر كفاءة بحوالي أربعة إلى عشرة أضعاف من أسلافه. وأكد الباحثون أن هذا التحسن لم يكن مجرد ضربة حظ؛ فعندما أزالوا السقالة الهيكلية من نظامهم، انخفضت الدقة بشكل ملحوظ، مما أثبت أن اختيار التصميم المحدد كان هو مفتاح النجاح.

كما استكشفت الدراسة ما يحدث عندما لا يُمنح الكمبيوتر هذا المساعدة الهيكلية. ففي التجارب التي تمت فيها إزالة السقالة، انخفضت دقة النظام بهامش صغير ولكنه مؤثر، مما أظهر أن الكمبيوتر يكافح للحفاظ على نفس المستوى من الدقة بدون التوجيه المستمر لهندسة النص. وهذا يشير إلى أن مكسب الكفاءة يأتي من المعلومات التي يوفرها التصميم نفسه، وليس فقط من امتلاك المزيد من البيانات أو نموذج أكبر. ووجد الباحثون أيضاً أن نظامهم كان جيداً بشكل خاص في التمييز بين الحروف التي تبدو متشابهة جداً، مثل تلك التي تختلف بضربة واحدة فقط في موقع معين. ومن خلال إبقاء الشريط العلوي راسخاً في ذاكرته، استطاع الكمبيوتر تركيز انتباهه على تلك التفاصيل الحاسمة والمميزة.

يتحدى هذا العمل الفكرة السائدة بأن "الأكبر هو الأفضل دائماً" في الذكاء الاصطناعي. فهو يثبت أنه بالنسبة للمهام ذات القواعد القوية والمتسقة -مثل بنية خط "ديفاناغاري"- فإن بناء تلك القواعد مباشرة في بنية الكمبيوتر هو استراتيجية أكثر قوة من مجرد زيادة حجم النموذج. ولم يدّع الباحثون أن هذا النهج يحل جميع مشكلات التعرف على خط اليد، مشيرين إلى أن عملهم ركز على الحروف المنفردة، وأن التعرف على النصوص المتصلة أو الكلمات الكاملة يظل تحدياً مستقبلياً. ومع ذلك، فإن نتائجهم تقدم مساراً واضحاً للمضي قدماً: من خلال فهم الطبيعة المحددة للمشكلة وترميز هذا الفهم داخل الآلة، يمكننا بناء أنظمة ليست فقط أذكى، بل أيضاً أكثر رشاقة وكفاءة. ويشير نجاح "ليبينت" إلى أن مستقبل التعرف على خط اليد قد لا يكمن في بناء صناديق سوداء أكبر، بل في تصميم أنظمة متوافقة بعناية مع الأشكال والقواعد الفريدة للغات التي يُفترض بها قراءتها.