Viewport-Aware Immersive Video Content Identification Using Transformation-Robust Keypoints
تقترح هذه الورقة طريقة قائمة على التعلم العميق لتحديد محتوى الفيديو الغامر المتحول من خلال استخدام المعالجة المسبقة المدركة لمنطقة الرؤية ونقاط الميزات القوية تجاه التحولات، محققةً معدل تعرف بنسبة 97.5% وتحسيناً في الكفاءة الحسابية دون الاعتماد على البيانات الوصفية.
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
تخيل أنك تحاول العثور على كتاب محدد في مكتبة حيث تم تمديد كل نسخة منها، أو سحقها، أو تدويرها، أو تمزق بعض صفحاتها، كما مُسحت عناوينها. هذا هو الواقع اليومي للحواسيب التي تحاول التعرف على محتوى الفيديو الغامر. فخلافًا للفيديوهات المسطحة القياسية، تلتقط الفيديوهات الغامرة كرة كاملة من المشهد، مما يسمح للمشاهدين بالنظر في أي اتجاه. ولتخزين هذه الفيديوهات وإرسالها، تقوم الحواسيب بتسطيح الكرة وتحويلها إلى صورة مستطيلة، وهي عملية تؤدي حتمًا إلى تشويه الصورة، حيث يتم تمديد الجزء العلوي والسفلي مع بقاء المنتصف طبيعيًا نسبيًا. وعندما يشاهد المستخدم مثل هذا الفيديو، فإنه لا يرى سوى نافذة صغيرة، أو "منظور رؤية" (viewport)، من تلك الصورة المسطحة. فإذا قام شخص ما بعد ذلك بأخذ هذا الفيديو، وقصّه، أو غير دقة وضوحه، أو دوّر زاوية الرؤية، فإن الحاسوب الذي يحاول التعرف عليه يواجه كابوسًا من الارتباك البصري. فالطرق التقليدية، التي تعتمد على إيجاد أنماط محددة في الصورة، غالبًا ما تفشل لأن الأنماط التي تدربت للبحث عنها قد تشوهت لدرجة يصعب معها التعرف عليها أو اختفت خلف التشويه.
لقد أصبح هذا التحدي أمرًا بالغ الأهمية مع انتشار الوسائط الغامرة عبر الإنترنت. إذ يحتاج صُنّاع المحتوى، وحقوق الملكية، ومديرو المنصات إلى وسيلة لمعرفة ما إذا كان الفيديو الذي يروه هو نسخة مما يمتلكونه، حتى لو تم تعديل تلك النسخة بشكل كبير. فإذا تم قص الفيديو لإظهار زاوية واحدة فقط من المشهد الأصلي، أو إذا تغير تنسيق الإسقاط بالكامل، فإن أدوات تحديد الهوية القياسية غالبًا ما تستسلم؛ فهي لا تستطيع التمييز بين فيديو جديد ونسخة معدلة من فيديو قديم. وبدون وسيلة موثوقة لتحديد هذه النسخ المتحولة، يصبح حماية الملكية الفكرية وإدارة المكتبات الضخمة من المحتوى بزاوية 360 درجة أمرًا مستحيلاً تقريبًا.
ولحل هذه المعضلة، طور باحثون في جامعة سونغيل في سيول نظامًا جديدًا مصممًا خصيصًا للتعامل مع خصائص الفيديو الغامر. فبدلاً من محاولة مطابقة الصورة المشوهة بالكامل دفعة واحدة، يقوم أسلوبهم بتفكيك المشكلة إلى أجزاء يمكن إدارتها. أولاً، يختار النظام اللحظات الأكثر أهمية في الفيديو، متجاهلًا الأجزاء المملة أو المتكررة لتوفير الوقت. بعد ذلك، يأخذ إطار الفيديو المسطح والمشوه ويقوم بتقسيمه ذهنيًا إلى اثنتي عشرة نافذة مستطيلة أصغر، كل منها ينظر إلى جزء مختلف من الكرة. وتعد هذه الخطوة حاسمة لأنها تزيل التمدد الشديد الموجود عند حواف الصورة المسطحة، مما يقدم للحاسوب مشاهد أكثر وضوحًا وطبيعية للمشهد.
يعمل النظام بعد ذلك كمحرر دقيق، حيث يستبعد النوافذ التي تكون ضبابية جدًا، أو فارغة، أو مشوهة لدرجة تجعلها غير مفيدة. وهو يركز فقط على النوافذ التي تحتوي على هياكل واضحة أو أشياء يمكن التعرف عليها. ومن هذه النوافذ المختارة، يستخرج الحاسوب "نقاطًا رئيسية" — وهي سمات بصرية مميزة مثل زاوية مبنى أو حافة شجرة. ومع ذلك، أدرك الباحثون أن ليست كل النقاط الرئيسية متساوية؛ فبعض النقاط قد تبدو واضحة في عرض ما، ولكنها قد تختفي أو تتغير بشكل جذري عند تدوير الفيديو أو قصه. وللتعامل مع هذا، قاموا بتدريب نموذج حاسوبي للتنبؤ بالنقاط التي ستظل مستقرة ويمكن التعرف عليها حتى بعد خضوع الفيديو لتغييرات كبيرة. يتعلم النظام ألا يثق إلا في النقاط التي أثبتت موثوقيتها عبر ظروف مختلفة، متجاهلًا النقاط التي من المرجح أن تسبب ارتباكًا.
عندما يصل فيديو جديد ليتم تحديد هويته، يمرر النظام عبر نفس العملية: يقسم العرض، ويختار أفضل النوافذ، ويستخرج فقط النقاط الأكثر قوة واستقرارًا. ثم يقارن هذه النقاط بقاعدة بيانات للفيديوهات المعروفة. ولأن النظام قد قام بالفعل بتصفية النقاط غير الموثوقة وركز على السمات الأكثر استقرارًا، فإنه يستطيع إيجاد المطابقات حتى عندما يكون الفيديو المستعلم عنه مقصوصًا، أو مدورًا، أو مضغوطًا. وتتضمن الخطوة النهائية التحقق مما إذا كانت النقاط المتطابقة تتناسب مع بعضها البعض بطريقة منطقية هندسيًا على سطح كرة، وما إذا كانت تظهر بالترتيب الصحيح بمرور الوقت. يضمن هذا التحقق متعدد الطبقات أن النظام لا يجد مجرد مصادفة سعيدة، بل إنه يحدد بالفعل المحتوى نفسه.
تم اختبار نتائج هذا النهج مقابل ثمانية عشر نوعًا مختلفًا من تعديلات الفيديو، بدءًا من تغييرات السطوع البسيطة وصولاً إلى تحويلات الإسقاط المعقدة والقص الشديد. نجح النظام في تحديد الفيديو الأصلي الصحيح في 97.5 بالمائة من الحالات. ووقع في خطأ في تحديد المحتوى في 2 بالمائة فقط من المرات، وفشل في العثور على مطابقة في 0.5 بالمائة فقط من الحالات. ولعل الأهم من ذلك هو أن النظام كان سريعًا؛ فقد استغرق في المتوسط حوالي 1.03 ثانية لتحديد الفيديو، وهو تحسن ملحوظ عن الطرق القديمة التي كانت تستغرق قرابة ست ثوانٍ ومع ذلك تفشل في التعرف على المحتوى.
كما اختبر الباحثون ما سيحدث إذا تخطوا خطواتهم الخاصة. فعندما حاولوا مطابقة الفيديوهات دون تقسيمها إلى نوافذ أصغر أو دون تصفية النقاط غير المستقرة، انخفض معدل النجاح إلى 59.3 بالمائة، وقفز وقت المعالجة إلى أكثر من خمس ثوانٍ. وقد أكد ذلك أن استراتيجيتهم المحددة في التركيز على المناطق المستقرة والسمات القوية كانت هي مفتاح النجاح. كان أداء النظام في أفضل حالاته عندما يتم ضغط الفيديوهات ببساطة أو تغيير ألوانها، لكنه واجه صعوبة أكبر قليلاً عندما يتم قطع أجزاء كبيرة من الفيديو، حيث لم يتبقَّ سوى قدر ضئيل من الأدلة البصرية للعمل بها. ومع ذلك، ظل النظام في هذه الحالات الصعبة أكثر فعالية بكثير من الأساليب السابقة.
يوضح هذا العمل أنه من خلال فهم كيفية تشويه الفيديو الغامر، ومن خلال كوننا انتقائيين بشأن الأجزاء التي نثق بها من الصورة، يمكن للحواسيب أن تصبح أفضل بكثير في التعرف على المحتوى. لا يعتمد هذا الأسلوب على أسماء الملفات أو البيانات الوصفية المخفية، التي يمكن إزالتها بسهولة؛ بل يعتمد كليًا على البنية البصرية للفيديو نفسه. وهذا ما يجعله أداة قوية لحماية حقوق الطبع والنشر وإدارة المكتبات الرقمية في عصر أصبح فيه المحتوى بزاوية 360 درجة شائعًا بشكل متزايد. وتشير النتائج إلى أنه مع النهج الصحيح للتعامل مع التشويه واختيار السمات، فإن مشكلة تحديد الفيديو الغامر المتحول هي مشكلة قابلة للحل، مما يوفر وسيلة موثوقة لتتبع وحماية المحتوى أثناء انتقاله عبر المشهد الرقمي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.