Unsupervised Clustering of Visual Styles in Tie-Dye Images Using Multiple Feature Representations
تُظهر هذه الدراسة أن "عزوم الألوان" (Color Moments) تتفوق على خمسة تمثيلات أخرى للميزات في التجميع غير الخاضع للإشراف لصور صباغة "التاي داي"، حيث تقدم النتائج الأكثر تماسكاً واستقراراً ومتانة عبر مختلف أحجام المجموعات ومقاييس التقييم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تُعد الصباغة بالعقد (Tie-dye) حرفة قديمة قدم البراعة البشرية، حيث يتم طي القماش، وربطه، وخياطته، وتثبيته قبل غمسه في الصبغة. والنتيجة هي نسيج ذو حواف ضبابية، وانتقالات لونية ناعمة، وأنماط تبدو وكأنها تتنفس بدلاً من أن تستقر في مكانها بجمود. لقرون مضت، حُفظت هذه المنسوجات ككنوز ثقافية، حاملةً تاريخ المناطق وأيدي الحرفيين. ومع ذلك، في العالم الحديث، تمتلك المتاحف والأرشيفات آلاف الصور لهذه الأقمشة، غالباً دون ملصقات واضحة تصف أساليبها المحددة، أو أصولها، أو التقنيات الدقيقة المستخدمة في صنعها. وعندما يكبر حجم المجموعة لدرجة يصعب معها الفرز بالعين المجردة، وعندما تكون الفئات فضفاضة للغاية بحيث يصعب تحديدها مسبقاً، يلجأ الباحثون إلى الحواسيب للمساعدة في إيجاد النظام. هذا هو مجال "التجميع غير الخاضع للإشراف" (unsupervised clustering)، وهو أسلوب تنظر فيه الخوارزميات إلى مجموعة من الصور وتحاول تجميعها معاً بناءً على ما تراه، دون إخبارها بما يجب أن تسمى عليه تلك المجموعات. ويكمن التحدي في تعليم الكمبيوتر ما الذي يجب أن يبحث عنه. يمكن وصف الصورة بألوانها، أو أشكالها، أو ملامسها، أو بأنماط معقدة تعلمها الجهاز من ملايين الصور الأخرى. ولكن بالنسبة لقماش يتحدد بفيض الصبغة اللطيف ونعومة حدوده، فليس من الواضح أي من هذه الأوصاف سيكون الأنسب.
وضع فريق من الباحثين من جامعة جيانغنان ومتحف نانتونغ للصباغة بالعقد هدفهم لحل هذه الأحجية المحددة. فقد جمعوا 240 صورة فوتوغرافية عالية الجودة لعينات من الصباغة بالعقد، اختيرت بعناية لتمثل مجموعة متنوعة من الألوان والأنماط مع استبعاد أي صور ضبابية أو مكررة. لم يكن هدفهم تصنيف هذه الأقمشة إلى فئات تاريخية معروفة، بل لمعرفة ما إذا كان بإمكان الكمبيوتر تجميعها بشكل طبيعي في عائلات متشابهة بصرياً. وللقيام بذلك، اختبروا خمس طرق مختلفة لترجمة كل صورة فوتوغرافية إلى مجموعة من الأرقام التي يمكن للكمبيوتر فهمها. ركزت طريقتان من هذه الطرق على إحصاءات الألوان، وقياس التوزيع العام وشكل الألوان في الصورة. ونظرت طريقة واحدة إلى بنية القماش، متتبعةً الحواف واتجاهات الأنماط. أما الطريقتان الأخيرتان فقد استخدمتا نماذج ذكاء اصطناعي قوية مدربة مسبقاً، كانت قد تعلمت التعرف على الأشياء في العالم العام، آملين أن تفهم هذه النماذج أيضاً الفن الدقيق للصباغة بالعقد.
قام الباحثون بتمرير الصور عبر عملية تجميع معيارية، طالبين من الكمبيوتر فرز الـ 240 صورة إلى خمس مجموعات متميزة. ثم قاموا بقياس مدى تماسك هذه المجموعات. وكانت النتائج واضحة ومفاجئة؛ فالطرق التي اعتمدت على نماذج التعلم العميق المعقدة، والتي غالباً ما تكون الخيار المفضل لتحليل الصور الحديث، كان أداؤها ضعيفاً. لقد عانت هذه النماذج لإيجاد طريقة متسقة لتجميع صور الصباغة بالعقد، وغالباً ما أنتجت نتائج مختلفة في كل مرة يُطلب فيها من الكمبيوتر المحاولة مجدداً. أما الطريقة التي نظرت إلى الحواف الهيكلية للأنماط فقد حققت أداءً أفضل، لكنها لا تزال تفتقر إلى الروابط الدقيقة بين الأقمشة. وكان الفائز هو النهج الأبسط: طريقة تصف الشكل العام وانتشار الألوان في الصورة. هذه التقنية، المعروفة باسم "لحظات اللون" (color moments)، أنتجت باستمرار مجموعات أكثر تماسكاً. فقد وجدت أن الأقمشة ذات توازنات الألوان والعلاقات النغمية المتشابهة تنتمي طبيعياً إلى بعضها البعض، بغض النظر عن أنماطها المحددة.
وعندما فحص الباحثون المجموعات التي أنشأتها هذه الطريقة المرتكزة على اللون، كانت النتائج منطقية للعين البشرية. احتوت إحدى المجموعات على أقمشة داكنة عالية التباين ذات أنماط شعاعية حادة. واحتوت أخرى على أقمشة فاتحة وناعمة ذات انتقالات لطيفة ومنتشرة. بينما تميزت مجموعة ثالثة بنغمات داكنة مع حزم متكررة، بينما أظهرت مجموعات أخرى لمسات متعددة الألوان وباهتة مع خطوط اتجاهية. لقد نجح الكمبيوتر في تحديد العائلات البصرية بناءً على الطريقة التي استقرت بها الصبغة وتفاعلت بها الألوان. علاوة على ذلك، كانت هذه الطريقة مستقرة بشكل ملحوظ؛ فعندما طلب الباحثون من الكمبيوتر تنفيذ المهمة عشرين مرة مع نقاط بداية مختلفة قليلاً، أنتج تجميعات متطابقة تقريباً في كل مرة. وفي المقابل، أعطت نماذج التعلم العميق الأكثر تعقيداً إجابات مختلفة تماماً في كل مرة يتم تشغيلها، مما يشير إلى أنها لم تكن تجد بنية حقيقية كامنة في البيانات، بل كانت تتفاعل مع الضوضاء العشوائية.
كما اختبرت الدراسة ما إذا كانت هذه النتائج ستصمد إذا طلب الباحثون عدداً مختلفاً من المجموعات، يتراوح من ثلاث إلى سبع مجموعات. وظلت الطريقة القائمة على اللون هي الأفضل أداءً في جميع الحالات، حيث أنشأت باستمرار عناقيد أكثر منطقية واستقراراً. وهذا يشير إلى أنه بالنسبة للصباغة بالعقد، حيث يتحدد الأسلوب البصري من خلال العلاقة العالمية للألوان ونعومة انتقالاتها أكثر من الحواف الحادة أو أشكال الأشياء المحددة، فإن الوصف البسيط لتوزيع الألوان هو الأداة الأكثر فعالية. لم يدّعِ الباحثون أنهم اكتشفوا تصنيفاً تاريخياً جديداً أو أنهم حلوا لغز كل نمط من أنماط الصباغة بالعقد، بل قدموا طريقة موثوقة وقابلة للتكرار لتنظيم هذه المجموعات عندما تغيب الملصقات. لقد أظهروا أنه بالنسبة لهذا النوع من الفن، فإن النظر إلى الصورة الكبيرة للون أكثر فعالية من محاولة تحليل كل تفصيل صغير أو استخدام نموذج مدرب لأغراض أخرى.
يقدم هذا العمل مساراً عملياً للمتاحف والأرشيفات. فمن خلال استخدام هذا النهج المباشر القائم على اللون، يمكن للمنسقين تصفح المجموعات الكبيرة من صور الصباغة بالعقد، والعثور على قطع متشابهة بصرياً قد تظل مخفية لولا ذلك. إنه يسمح باستكشاف تنوع المجموعة دون إجبار الصور على الدخول في قوالب جامدة ومحددة مسبقاً. وتؤكد الدراسة أن أفضل أداة للعمل تعتمد على طبيعة الشيء نفسه؛ فبالنسبة لعالم الصباغة بالعقد الانسيابي والموجه بالألوان، فإن العدسة الأكثر قوة ليست هي الأكثر تعقيداً، بل هي تلك التي تلتقط جوهر رحلة الصبغة عبر القماش.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.