The Evolution of Deep Learning Architectures for Visual Recognition: Design Principles, Feature Learning, and Network Strategies

على مدار العقدين الماضيين، أحدثت ثورة هادئة تحولاً في كيفية رؤية الآلات للعالم. بدأ هذا التحول عندما أدرك الباحثون أنه بدلاً من تعليم الحواسيب التعرف على الأشياء عبر كتابة قواعد يدوية لكل شكل أو لون محتمل، يمكنهم ببساطة تغذية الأنظمة بكميات هائلة من الصور التي تتعلم إيجاد الأنماط من تلقاء نفسها. هذه الأنظمة، المعروفة باسم الشبكات العصبية العميقة، تعمل نوعاً ما مثل مرشح (فلتر) متعدد الطبقات، حيث قد تكتشف الطبقات الأولى الحواف البسيطة، وتتعرف الطبقات الوسطى على الأشكال مثل الدوائر أو الزوايا، ثم تقوم الطبقات الأكثر عمقاً بتجميع تلك الأشكال لتحديد وجه، أو سيارة، أو شجرة. ومع مرور الوقت، أصبحت هذه الشبكات متطورة للغاية لدرجة أنها تستطيع الآن تحديد سرطان الجلد بدقة تضاهي دقة المتخصصين، والتنبؤ بالبنية ثلاثية الأبعاد للبروتينات، وحتى توليد صور جديدة من الأوصاف النصية. ومع ذلك، فبقدر ما نمت هذه الأنظمة في قوتها، زادت أيضاً في تعقيدها، وغالباً ما أصبحت تشبه "صناديق سوداء" معقدة يصعب تتبع المنطق الداخلي لها.

لقد عزم فريق من الباحثين من مؤسسات تشمل معهد ووهان للتكنولوجيا، وكليفلاند كلينك، وجامعة آلتو، على رسم خارطة الرحلة الكاملة لهذا التطور. في مراجعتهم الشاملة، لا يركزون على مهمة واحدة أو نوع محدد من الصور، بل يتتبعون التاريخ المتشابك للبنيات الهيكلية (Architectures) — أي المخططات الهيكلية لهذه الشبكات — والمبادئ الأساسية التي دفعت نجاحها. ومن خلال فحص الأعمال الرائدة من العشرين عاماً الماضية، ينظم المؤلفون هذا المجال في ثلاث فئات واضحة: التصميمات المحددة المبنية لمهام مختلفة، واللبنات الصغيرة التي تساعد الشبكة على تعلم السمات، والاستراتيجيات الأساسية المستخدمة لبناء هذه الأنظمة القوية. هدفهم هو تقديم فهم واضح ومنظم لكيفية انتقالنا من مجرد مطابقات أنماط بسيطة إلى الذكاء البصري المتطور الذي نراه اليوم، مع تسليط الضوء أيضاً على القيود المتبقية والمسارات المتاحة للابتكار المستقبلي.

تبدأ قصة هذا التطور بالإدراك بأن مجرد جعل الشبكة أكثر عمقاً لا يجعلها بالضرورة أكثر ذكاءً. فقد أثبتت التصميمات المبكرة، مثل شبكة VGG، أن تكديس العديد من طبقات المرشحات الصغيرة يمكن أن يستخرج سمات تفصيلية، لكن الباحثين سرعان ما اصطدموا بحائط حيث أدى إضافة المزيد من الطبقات في الواقع إلى انخفاض الأداء. جاء الحل في شكل تعديل معماري بسيط: "الاتصال المتبقي" (Residual Connection). يسمح هذا التصميم للمعلومات بتجاوز طبقات معينة، والتدفق مباشرة من جزء إلى آخر في الشبكة، مما يحافظ على استقرار عملية التعلم حتى مع نمو الشبكة بشكل هائل. أصبح هذا المفهوم حجر الزاوية لمعظم التصميمات اللاحقة، مما مكن من تدريب شبكات تضم مئات الطبقات والتي يمكنها الآن أن تعمل كعمود فقري لمهام تتراوح من تحديد الأشياء في صورة إلى تقسيم المسوحات الطبية المعقدة.

ومع نضوج المجال، تحول التركات من مجرد تصنيف الصور إلى فهم الموقع الدقيق والحدود للأشياء داخلها. بالنسبة لاكتشاف الأشياء، انتقل المجال من العمليات ذات المرحلتين، والتي كانت تخمن أولاً مكان وجود الشيء ثم تقوم بتحسين ذلك التخمين، إلى أنظمة ذات مرحلة واحدة تتنبأ بالموقع والهوية في آن واحد. وتجسد سلسلة نماذج YOLO هذا التحول، حيث أعادت صياغة عملية الاكتشاف كمسألة انحدار (Regression) واحدة تسمح بالتحليل في الوقت الفاسي. ومع ذلك، ظلت هذه الأنظمة تعتمد على شبكات (Grids) وصناديق مرشحة محددة مسبقاً. وجاء الاختراق الأحدث، وهو "محول الكشف" (Detection Transformer)، ليزيل هذه القيود البشرية تماماً. فمن خلال معاملة اكتشاف الأشياء كمسألة تنبؤ مباشر بالمجموعة، على غرار كيفية تنبؤ نماذج اللغة بالكلمة التالية في الجملة، يمكن لهذه النماذج الجديدة تحديد الأشياء دون الحاجة إلى تخمين موقعها أولاً، مما يلغي الحاجة إلى خطوات معالجة لاحقة معقدة كانت مطلوبة سابقاً لتنقية الاكتشافات المكررة.

وبعيداً عن البنية العامة للشبكات، يسلط الباحثون الضوء على كيفية هندسة وحدات فرعية محددة لحل تحديات بصرية معينة. أحد التحديات الحاسمة هو أن الأشياء تظهر بأحجام متفاوتة للغاية؛ فالشخص البعيد يبدو ضئيلاً مقارنة بسيارة قريبة. وللتعامل مع هذا، تستخدم الشبكات الحديثة استخراج السمات متعدد المقاييس، باستخدام تقنيات مثل "هرم الميزات" (Feature Pyramids) لدمج التفاصيل الدقيقة من الطبقات الأولى مع السياق عالي المستوى من الطبقات الأعمق. وهذا يسمح للنظام بالتعرف على طائر بعيد وكلب قريب بوضوح متساوٍ. وتعد آلية "الانتباه" (Attention Mechanism) تقدماً رئيسياً آخر؛ فتماماً كما تركز العين البشرية بشكل طبيعي على جزء معين من المشهد مع تجاهل الخلفية، تسمح هذه الآليات للشبكة بوزن أجزاء مختلفة من الصورة بشكل مختلف، مما يبرز المعلومات الأكثر صلة ويقلل من الضجيج. وقد تطور هذا من مجرد وزن بسيط للقنوات إلى أنظمة "الانتباه الذاتي" المعقدة التي يمكنها فهم العلاقات بين الأجزاء المتباعدة من الصورة، وهي قدرة كانت في السابق حكراً على النماذج اللغوية.

كما تستعرض المراجعة الاستراتيجيات المستخدمة لبناء هذه الأنظمة عالية الأداء، مؤكدة أن النجاح لا يتعلق فقط بالبنية المعمارية ولكن أيضاً بكيفية تعليم الشبكة. يناقش المؤلفون أهمية دمج المعرفة المسبقة، مثل الحقيقة الفيزيائية بأن الأشياء لها حدود أو أن بعض السمات أكثر أهمية من غيرها، مباشرة في عملية التعلم. ويتم تحقيق ذلك من خلال "دوال خسارة" (Loss Functions) متخصصة توجه الشبكة لإعطاء الأولوية للأمثلة الصعبة أو لاحترام الاستمرارية المكانية للأشياء. علاوة على ذلك، غيّر صعود "التعلم التبايني" (Contrastive Learning) طريقة تعلم الشبكات من البيانات. فبدلاً من الاعتماد فقط على الأمثلة المصنفة، تعلم هذه الأساليب الشبكة أن منظورين مختلفين لنفس الشيء متشابهان، بينما الأشياء المختلفة متميزة عن بعضها. وقد كان هذا النهج قوياً بشكل خاص في "التعلم عبر الوسائط" (Cross-modal learning)، حيث تتعلم أنظمة مثل CLIP الربط بين الصور والأوصاف النصية، مما يمكنها من التعرف على أشياء لم ترها من قبل بمجرد قراءة وصف لها.

وبالنظر نحو المستقبل، يحدد المؤلفون عدة تحديات حاسمة يجب أن يعالجها المجال. أحد العقبات الرئيسية هو الكفاءة؛ فكلما أصبحت النماذج أكبر وأكثر قدرة، تطلبت قوة حوسبة هائلة، مما يجعل نشرها على الأجهزة اليومية مثل الهواتف الذكية أو المركبات ذاتية القيادة أمراً صعباً. ويقترح الباحثون أن التقدم المستقبلي سيعتمد على الأرجح على تصميم بنيات "متفرقة" (Sparse) ومضغوطة، تقوم بتنشيط الأجزاء الضرورية فقط من الشبكة لمهمة معينة. وثمة جبهة أخرى هي تطوير "نماذج العالم" (World Models)، التي تهدف إلى تجاوز التعرف على الصور الثابتة إلى التنبؤ بكيفية تغير المشاهد بمرور الوقت. تسعى هذه النماذج لفهم ليس فقط ماهية الشيء، بل كيف سيتحرك أو يتفاعل مع بيئته، وهي خطوة حاسمة للروبوتات والتخطيط. وأخيراً، تشير الورقة إلى الحاجة إلى نماذج بصرية-لغوية أفضل يمكنها حقاً فهم العلاقة بين الكلمات والأدلة البصرية، وتجنب الخطأ الشائع المتمثل في توليد أوصاف تبدو منطقية ولكنها لا تتطابق مع الصورة الفعلية.

وفي تلخيصها لعقود من التقدم، تقدم المراجعة صورة واضحة لمجال انتقل من القواعد الجامدة المصنوعة يدوياً إلى أنظمة مرنة ذاتية التعلم. لقد تم تعريف هذه الرحلة بسلسلة من الابتكارات المعمارية التي حلت اختناقات محددة، من الحاجة إلى شبكات أكثر عمقاً إلى الطلب على السياق العالمي والكفاءة في الوقت الفعلي. وبينما تعد الأنظمة الحالية قادرة بشكل ملحوظ، يؤكد المؤلفون أن العمل لا يزال بعيداً عن الانتهاء. إن الطريق نحو المستقبل يكمن في إنشاء نماذج ليست دقيقة فحسب، بل أيضاً كفؤة، وقوية، وقادرة على الفهم الحقيقي عبر مجالات مختلفة. ومن خلال توحيد هذه المعالم والمبادئ، توفر الورقة خارطة طريق للباحثين والممارسين على حد سواء، لتسليط الضوء على المنطق الهيكلي الذي يدعم الرؤية الحاسوبية الحديثة وتوجيه الطريق نحو الجيل القادم من الآلات الذكية.