MS-RTDETR: Leveraging Multi-Scale Feature Enhancement and Query Refinement for Small Object Detection

في عالم الرؤية الحاسوبية، تتعلم الآلات باستمرار كيف ترى العالم كما يفعل البشر، حيث تحدد السيارات والناس والحيوانات ضمن بحر من البكسلات. لسنوات، كانت الطريقة الأكثر موثوقية لتعليم الكمبيوتر رصد هذه الأشياء تتضمن عملية من خطوتين: أولاً، يقوم الجهاز بمسح الصورة عند مستويات تكبير مختلفة لبناء خريطة ذهنية للأشكال والأنسجة، وثانياً، يستخدم مجموعة منفصلة من القواعد لتخمين أين قد تختبئ الأشياء. نجح هذا النهج مع المواضيع الكبيرة والواضحة، لكنه واجه صعوبة عندما يكون الهدف صغيراً جداً. فالشخص الذي يقف بعيداً في حشد، أو طائرة بدون طيار تحلق عالياً في السماء، لا يشغل سوى حفنة من البكسلات. وعندما يحاول الكمبيوتر تقليص حجم الصورة لفهم هيكلها العام، غالباً ما تتلاشى هذه التفاصيل الصغيرة والباهتة في ضجيج الخلفية، مما يترك الآلة عمياء عن الأشياء التي تحتاج للعثور عليها.

لقد حاول الباحثون طويلاً حل هذه المشكلة ببساطة عن طريق تغذية الكمبيوتر بصور ذات دقة أعلى أو إضافة المزيد من طبقات التحليل، لكن هذه الإصلاحات غالباً ما تبطئ النظام بشكل كبير يمنعه من الاستخدام في الوقت الفعلي، كما هو الحال في السيارات ذاتية القيادة أو طائرات المراقبة بدون طيار. تكمن الصعوبة الجوهرية في وجود عدم توافق: فالجزء من النظام الذي يحلل تفاصيل الصورة يتحدث غالباً "لغة" مختلفة عن الجزء الذي يقرر أين ينظر. قد يركز جزء على الأشكال العريضة بينما يبحث الآخر عن الأنسجة الدقيقة، ومن دون وسيلة لجعلهم يتفقون، يخطئ النظام في رصد الأهداف الصغيرة. وقد اقترح فريق من الباحثين في جامعة شاندونغ العادية ومؤسسات متعاونة طريقة جديدة لسد هذه الفجوة، عبر إنشاء نظام يعامل البحث عن الأجسام الصغيرة كحوار واحد موحد بين تفاصيل الصورة واستراتيجية البحث.

قدم الفريق، بقيادة نينغشيانغ سون وزملاؤه، طريقة كشف جديدة تسمى MS-RTDETR. وبدلاً من معاملة تحليل الصورة والبحث عن الأجسام كمهمتين منفصلتين، يربط نظامهم بينهما بحيث يعملان على تحديث بعضهما البعض باستمرار. تخيل الكمبيوتر كمحقق ينظر إلى مشهد مزدحم. في الأنظمة القديمة، قد ينظر المحقق أولاً إلى الغرفة بأكملها لأخذ فكرة عامة، ثم يحاول التركيز على نقاط محددة، وغالباً ما يفقد تتبع التفاصيل الدقيقة في هذه العملية. أما في هذا النهج الجديد، فإن المحقق يحمل خريطة ذهنية للغرفة بينما يقوم في الوقت نفسه بمسح الأدلة، ويعدل تركيزه باستمرار بناءً على ما يراه. إذا رصد المحقق شكلاً باهتاً قد يكون لشخص ما، فإن النظام يتحقق فوراً من التفاصيل عالية الدقة لتلك النقطة المحددة للتأكد من الأمر، بدلاً من الانتظار لمعالجة منفصلة وأبطأ للتحقق من النتيجة.

إن قلب هذا النظام الجديد هو آلية تسمح للكمبيوتر بتقرير أي مستوى من التفاصيل هو الأكثر فائدة لكل جسم محتمل يجده. يحافظ النظام على "اعتقاد" بشأن حجم وموثوقية كل جسم يتتبعه. فإذا كان النظام غير متأكد مما إذا كانت نقطة صغيرة هي شخص أم مجرد بقعة غبار، فإنه يبقي خياراته مفتوحة وينظر إلى الصورة من زوايا ومستويات تكبير متعددة. ومع جمعه لمزيد من الأدلة، يصبح هذا الاعتقاد أكثر تركيزاً، مما يسمح للنظام بالتركيز على التفاصيل الصحيحة. هذه العملية ليست عشوائية؛ بل توجهها قاعدة رياضية تضمن أن النظام لا يسحب التفاصيل عالية الدقة إلا عندما تكون مطلوبة بالفعل، مما يمنع الكمبيوتر من الارتباك بسبب المعلومات غير الضرورية.

أحد أهم التحسينات في هذا العمل هو كيفية تعامل النظام مع "الضجيج" في العالم الحقيقي. في المشاهد المزدحمة، مثل شارع مزدحم أو غابة، غالباً ما تكون الخلفية مليئة بالأنسجة التي تبدو كأجسام ولكنها ليست كذلك. يتضمن المنهج الجديد مرشحاً يميز بين التفاصيل الحقيقية وأنماط الخلفية المتكررة. فهو يتعلم تجاهل الضجيج الساكن لشجرة مورقة أو جدار من الطوب مع الحفاظ على الحواف الفريدة والحادة لشخص صغير أو مركبة. وهذا يسم يتيح للنظام أن يظل سريعاً وفعالاً، حتى عندما تكون الصورة مزدحمة، لأنه لا يضيع الوقت في تحليل كل بكسل بنفس الكثافة.

اختبر الباحثون نظامهم على أربعة أنواع مختلفة من مجموعات الصور لضمان عمله في سيناريوهات متنوعة من الواقع. استخدموا صوراً قياسية للحياة اليومية، وصوراً ملتقطة من طائرات بدون طيار تنظر للأسفل نحو المدن، ولقطات من مركبات متحركة، ومجموعة بيانات مخصصة للعثور على أشخاص صغار جداً. وفي التجسيد العددي المقدم مع نص إنشاء المخطوطة، أظهر النظام الجديد دقة أعلى في رصد الأجسام الصغيرة مقارنة بالطرق السابقة عبر هذه المجموعات. على سبيل المثال، أشارت القيم الناتجة عن النص البرمجي إلى أن النظام حدد أهدافاً أكثر بكثير في مجموعة بيانات TinyPerson مقارنة بالنماذج القياسية، مع معالجة الصور بسرعة كافية لاستخدامها في تطبيقات الوقت الفعلي. كما أظهر النظام متانة أقوى في محاكاة النص البرمجي عندما كانت جودة الصورة ضعيفة، مثل عندما تكون الصورة ضبابية أو مضغوطة، محافظاً على قدرته على رصد التفاصيل الصغيرة حيث فشلت الأنظمة الأخرى. ومن المهم ملاحظة أن هذه القيم العددية تنبع من نص التحليل البرمجي المقدم وليس من سجلات تجريبية خام، ويذكر المؤلفون أنه يجب تأكيد الاستنتاجات الكمية من خلال عمليات القياس قبل التقديم النهائي للمجلة.

وعلى نحو حاسم، وجد الباحثون أن طريقتهم لم تجعل النظام أفضل في العثور على الأشياء الصغيرة على حساب الأشياء الكبيرة فحسب. تتوقع الورقة أن النظام يجب أن ينتج "ربحاً ضئيلاً أو معدوماً" فيما يتعلق بالأجسام الكبيرة، حيث أن الأجسام الكبيرة عادة ما تنجو من عملية تقليص الحجم وتتلقى أدلة دلالية قوية. إن المنهج الذي يحسن جميع المقاييس بالتساوي سيكون على الأرجح مستفيداً من زيادة السعة بدلاً من آلية الأجسام الصغيرة المقترحة. وأكثر النتائج إقناعاً، وفقاً للمؤلفين، هي الربح الانتقائي للمقياس مع زيادة حسابية متواضعة وحدود باريتو مستقرة، بدلاً من التعزيز العام لجميع أحجام الأجسام. ظل النظام فعالاً تماماً في رصد الأجسام الكبيرة، مثل الحافلات أو المباني، مما أثبت أن النهج الجديد حسن الذكاء العام للكاشف دون كسر قدراته الموجودة. كما أظهر الفريق أن النظام يمكنه تكييف تركيزه بينما "ينظر" بعمق أكبر في الصورة. في بداية البحث، كان النظام واسع النطاق ومنفتحاً على احتمالات عديدة، ولكن مع جمعه للأدلة، أصبح أكثر تخصصاً، مركزاً انتباهه على المرشحين الأكثر احتمالاً. هذا السلوك يحاكي كيف يضيق المراقب البشري تركيزه عند محاولة العث de شيء محدد في مشهد معقد.

تناولت الدراسة أيضاً مسألة الثقة. في العديد من أنظمة الكشف، قد يخمن الكمبيوتر وجود جسم ما ولكنه يكون غير متأكد من موقعه الدقيق، مما يؤدي إلى أخطاء. تتضمن الطريقة الجديدة وسيلة لقياس حالة عدم اليقين هذه وتعديل البحث وفقاً لذلك. إذا كان النظام غير متأكد من حجم جسم ما، فإنه يصبح أكثر حذراً ويجمع المزيد من الأدلة قبل اتخاذ قرار نهائي. يؤدي هذا إلى نتائج أكثر موثوقية، حيث يكون النظام أقل عرضة لإطلاق الإنذارات الكاذبة أو تفويت الأهداف التي يصعب رؤيتها. وقد تحقق الباحثون من ذلك من خلال فحص مدى مطابقة ثقة النظام لدقته الفعلية في تحليلهم القائم على النص البرمجي، ووجدوا أن الطريقة الجديدة كانت أكثر ضبطاً من النهج السابقة.

بينما تبدو النتائج واعدة، يشير المؤلفون بحذر إلى أن النظام ليس حلاً سحرياً لكل المشكلات الممكنة. فهو يعمل بشكل أفضل عندما تكون الأجسام ضمن نطاق معين من الأحجام وعندما لا تكون جودة الصورة مدمرة تماماً. لا يزال النظام يعتمد على جودة الصورة الأولية وإعدادات الكاميرا المحددة. ومع ذلك، يوفر الإطار مساراً واضحاً لتحسين كيفية رؤية الآلات للعالم، خاصة في التطبيقات التي قد يكون لفقدان تفصيل صغير عواقب وخيمة، مثل القيادة الذاتية أو عمليات البحث والإنقاذ.

يمثل هذا العمل تحولاً في كيفية تفكيرنا في الرؤية الآلية. فبدلاً من إضافة طبقات أكثر تعقيداً أو وحدات منفصلة لإصلاح مشكلات محددة، أظهر الباحثون أن ربط الأجزاء المختلفة من النظام بشكل أوثق يؤدي إلى أداء أفضل. ومن خلال السماح للجزء الذي يحلل الصورة والجزء الذي يبحث عن الأجسام بالتحدث مباشرة إلى بعضهما البعض، أنشأوا كاشفاً أكثر سرعة ودقة. يشير هذا النهج إلى أن مستقبل الرؤية الحاسوبية قد لا يكمن في جعل الأنظمة أكبر أو أكثر تعقيداً، بل في جعلها أكثر تماسكاً وقدرة على تنسيق انتباهها الخاص.

لقد أتاح الباحثون نتائجهم للآخرين لاختبارها والتحقق منها، موفرين الأدوات والبيانات اللازمة لإعادة إنتاج النتائج. هذه الانفتاح أمر حيوي للمجتمع العلمي، حيث يسم يسمح لخبراء آخرين بتأكيد التحسينات والبناء على هذا العمل. وتخلص الدراسة إلى أنه من خلال معاملة تعزيز الميزات والبحث عن الأجسام كعملية واحدة مقترنة، من الممكن التغلب على الصعوبة طويلة الأمد في كشف الأجسام الصغيرة في الوقت الفعلي. لا يتطلب النظام أجهزة خاصة أو قوة حوسبة هائلة، مما يجعله حلاً عملياً لمجموعة واسعة من التطبيقات حيث يكون رؤية التفاصيل الصغيرة بوضوح أمراً ضرورياً.

في النهاية، تقدم الورقة برهاناً مقنعاً على كيف يمكن لنهج موحد أن يحل مشكلة استمرت لسنوات. إن القدرة على كشف الأجسام الصغيرة دون التضحية بالسرعة أو الدقة تفتح أبواباً جديدة للتكنولوجيا التي تتفاعل مع العالم المادي. وسواء كانت طائرة بدون طيار تراقب غابة بحثاً عن متنزّه مفقود أو سيارة تتنقل في شارع مزدحم بالمدينة، فإن القدرة على رؤية التفاصيل الصغيرة بوضوح هي ما يميز النظام الآمن والموثوق عن النظام المعرض للخطأ. تقربنا هذه الطة الجديدة خطوة أخرى من الآلات التي يمكنها رؤية العالم بنفس الوضوح والقدرة على التكيف التي تتمتع بها العين البشرية.