Object-Centric Low-Data Datasets for Artificial Intelligence Research: A Multi-Domain Data Resource

في عالم الذكاء الاصطناائي، تتعلم الآلات الرؤية من خلال دراسة مكتبات ضخمة من الصور. عادةً ما تكون هذه المكتبات مليئة بمشاهد كاملة: شارع مزدحم بالسيارات والناس والمباني مختلطة معاً، أو غابة تضم أشجاراً وصخوراً وحيوانات تتشارك الإطار نفسه. لكي يتعلم الكمبيوتر، يجب عليه أن يحدد أين ينتهي جسم ويبدأ آخر، وهو ما يتطلب غالباً ملايين الأمثلة لضبط القواعد بشكل صحيح. ولكن ماذا لو أراد باحث دراسة جسم واحد، مثل أحد المشاة أو علامة مرورية، دون تشتيت الانتباه بالخلفية؟ هذا هو تحدي الأبحاث المتمحورة حول الأجسام (object-centric research). وهي تتساءل عما إذا كان بإمكان الآلة أن تتعلم بكفاءة أكبر من خلال التركيز على العنصر الفردي نفسه، معزولاً عن محيطه. هذا النهج ذو قيمة خاصة عندما تكون البيانات شحيحة، مما يسمح للعلماء باختبار مدى قدرة الذكاء الاصطناعي على التعلم من أمثلة قليلة فقط بدلاً من الحاجة إلى جبل من الصور. الهدف هو إنشاء طريقة أنظف وأكثر ضبطاً لتدريب هذه الأنظمة، عبر تجريدها من ضجيج المشهد الكامل لرؤية كيفية سلوك الجسم الجوهري.

لقد عالج فريق من الباحثين من جامعة كوينزلاند وجامعة سوينبرن للتكنولوجيا هذه الحاجة من خلال تجميع مجموعة جديدة من موارد البيانات المصممة خصيصاً لهذا النوع من الدراسة المركزة. لقد أنشأوا مجموعة من أربعة مجموعات بيانات تعامل الأجسام الفردية كوحدة أساسية للمعلومات، بدلاً من الصورة الفوتوغرافية بأكملها. هذه المجموعة ليست مجرد تجميع عشوائي للصور؛ بل هي مجموعة أدوات منظمة بعناية صُممت لمساعدة العلماء على إجراء تجارب مضبوطة باستخدام بيانات محدودة. أراد الباحثون تجاوز مجموعات بيانات الرؤية الحاسوبية القياسية، والتي غالباً ما تكون محسنة لاكتشاف أشياء كثيرة في وقت واحد في مشاهد معقدة، وبدلاً من ذلك توفير مورد يكون فيه كل جزء من البيانات عبارة عن عرض موحد ومعزول لجسم واحد. ومن خلال القيام بذلك، يأملون في تسهيل عملية إعادة إنتاج التجارب وتطوير أساليب ذكاء اصطناعي فعالة وموثوقة حتى عندما يكون الحصول على بيانات التدريب أمراً صعباً.

تتكون المجموعة من أربعة أجزاء متميزة، يغطي كل منها مجالاً بصرياً مختلفاً لإظهار كيفية عمل هذا النهج عبر أنواع مختلفة من الصور. يركز جزءان من هذه الأجزاء على علامات المرور، بينما يتعامل الجزءان الآخران مع المشاة الذين يسيرون في المدن والنباتات المنزلية الموجودة في الصور الطبيعية. الجزء الأول، المسمى TrafficSigns-Raw، هو إصدار مباشر لـ 4,185 صورة من صور الشوارع التي تم فحصها يدوياً من قبل البشر. في هذه الصور، رسم الباحثون صناديق حول 8,249 علامة مرورية، مع تحديد العلامات القياسية وتلك التالفة أيضاً. ولأن هذه مشاهد شوارع كاملة، فهي تعمل كمادة مصدرية. ومن هذا المصدر، أنشأ الفريق الجزء الثاني، TrafficSigns-OC، وهو النسخة المتمحورة حول الجسم. هنا، قاموا بقص العلامات وتغيير حجمها لتصبح مربعة موحدة بقياس 256 في 256 بكسل. وينتج عن ذلك 3,009 صورة معيارية للعلامات، مع 4,607 تسميات توضيحية. وهذا يسمح للباحث بدراسة العلامات نفسها دون فوضى الطريق أو السماء أو السيارات المحيطة بها.

يتعامل الجزءان الآخران من المجموعة مع تحدٍ مختلف: الخصوصية وحقوق الطبع والنشر. بالنسبة لمجموعة بيانات Cityscapes-Pedestrian، لم يستطع الباحثون ببساطة إصدار الصور الأصلية لأشخاص يسيرون في المدن بسبب قواعد الخصوصية والترخيص الصارمة. بدلاً من ذلك، قدموا "حقيبة إعادة بناء" (reconstruction kit). تتضمن هذه الحقيبة التعليمات والإحداثيات المحددة اللازمة لقص المشاة من صور Cityscapes الأصلية المتاحة للجمهور. والنتيجة هي مجموعة من 2,156 صورة معيارية لأشخاص، مشتقة من 1,264 صورة مصدرية، تحتوي على ما يقرب من 17,500 صندوق فردي حول المشاة. وبالمثل، بالنسبة لمجموعة بيانات COCO-PottedPlant، عمل الفريق مع مجموعة Microsoft Common Objects in Context الشهيرة. لقد أنشأوا عملية لاستخراج صور النباتات المنزلية من تلك القاعدة الضخمة. لقد أنتجوا 7,679 سجلاً للنباتات المنزلية، مع إنشاء قص واحد بقياس 256 في 256 لكل نبات موجود. ومثل بيانات المشاة، يوفر هذا المورد النصوص البرمجية والخرائط اللازمة لإعادة بناء مجموعة البيانات، مما يضمن اتباع قواعد مالكي الصور الأصليين مع منح الباحثين الوصول إلى بيانات الأجسام المحددة التي يحتاجونها.

ما يجعل هذا العمل مفيداً بشكل خاص هو الاتساق الذي يضفيه على العملية. في العديد من المشاريع البحثية، في كل مرة يريد فيها العالم دراسة جسم جديد، يتعين عليه كتابة كود جديد لقص الجسم من صورة، وتغيير حجمه، وتسميته. هذا المورد الجديد يزيل هذا العائق. فكل صورة في المجموعة تُقدم بنفس التنسيق، مع تسميات توضيحية وبيانات وصفية واضحة تشرح بالضبط كيفية إنشاء الصورة. كما حرص الباحثون على ضمان تقسيم البيانات بشكل صحيح إلى مجموعات للتدريب والاختبار والتحقق، بحيث لا يحصل نموذج تعلم الآلة بالخطأ على نتائج من رؤية نفس الصورة مرتين في أشكال مختلفة. فعلى سبيل المثال، في بيانات علامات المرور، استخدموا أدوات رؤية حاسوبية متقدمة للتأكد من عدم تشابه أي صورة في مجموعة الاختبار مع صورة في مجموعة التدريب بشكل كبير، مما يضمن أن تكون نتائج أي تجربة حقيقية.

الباحثون واضحون بشأن ما يمكن لهذه المجموعة فعله وما لا يمكنها فعله. إنها ليست موسوعة كاملة لكل الأجسام في العالم. فهي تركز فقط على ثلاثة أنواع من الأشياء: الناس، وعلامات المرور، والنباتات المنزلية. وهي لا تغطي كل حالات التلف الممكنة للعلامة، ولا تتضمن كل أنواع النباتات أو الأشخاص. علاوة على ذلك، نظرًا لأن البيانات مقصوصة للتركيز على الجسم، فإن سياق المشهد يُفقد. فالعلامة المرورية في هذه المجموعة هي مجرد علامة؛ فهي لا تظهر الطريق الذي توجد عليه أو الظروف الجوية. هذا خيار متعمد لعزل الجسم للدراسة، ولكنه يعني أنه لا يمكن استخدام البيانات لدراسة كيفية تفاعل الأجسام مع بيئتها. بالإضافة إلى ذلك، فإن التسميات التوضيحية المقدمة هي صناديق تحدد حدود الجسم، بدلاً من خرائط تفصيلية دقيقة بكسل ببكسل لشكل الجسم.

رغم هذه القيود، تقدم المجموعة خطوة مهمة للأمام للباحثين العاملين في مجال الذكاء الاصطناعي عالي الكفاءة في استهلاك البيانات. فمن خلال توفير مجموعة معيارية متعددة المجالات من البيانات المتمحورة حول الأجسام، أنشأ الفريق أرضية مشتركة لاختبار الأفكار الجديدة. وسواء كان العالم يحاول تعليم الكمبيوتر التعرف على علامة تالفة من مثال واحد، أو يختبر مدى قدرة الذكاء الاصطناعي على التعلم من عدد قليل من الصور، فإن هذا المورد يوفر الأدوات اللازمة. البيانات متاحة مجاناً، جنباً إلى جنب مع الكود اللازم لإعادة بناء الصور من المادة المصدرية حيث لم يكن الإصدار المباشر ممكناً. تضمن هذه الشفافية قدرة أي شخص على التحقق من العمل والبناء عليه، مما يعزز مستقبلاً أكثر موثوقية وقابلية لإعادة الإنتاج لأبحاث الذكاء الاصطناعي. ويقف هذا العمل كمورد عملي، يقدم مساراً واضحاً لأولئك الذين يرغبون في استكشاف كيف يمكن للآلات أن تتعلم رؤية العالم جسماً تلو الآخر.