MC-SAM: A Stability-Constrained Coupled Adaptation Framework for SAM in Camouflaged Scene Segmentation

في الزوايا الهادئة من العالم الطبيعي، غالبًا ما يعتمد البقاء على القدرة على الاختفاء. فمن الجلد المبرقش لسمكة موسى الذي يمتزج مع قاع المحيط الرملي، إلى أجنحة الفراشة التي تحاكي أوراق الشجر، يعد التمويه درسًا متقدمًا في الخداع البصري. لعقود من الزمن، حاول علماء الكمبيوتر تعليم الآلات كيفية الرؤية من خلال هذه التنكرات، وهي مهمة تُعرف باسم "تجزئة الأجسام المموهة". الهدف بسيط في النظرية ولكنه صعب في الممارسة: رسم خط دقيق حول جسم صُمم ليبدو تمامًا مثل خلفيته. اعتمدت المحاولات المبكرة على قواعد مصممة يدويًا، لكن الأنظمة الحديثة انتقلت نحو التعلم من كميات هائلة من البيانات. مؤخرًا، وصل نوع قوي جديد من الذكاء الاصطناعي يسمى "نموذج أي شيء يمكن تجزئته" (Segment Anything Model)، والذي يقدم قدرة عامة على تحديد الأجسام في الصور. ومع ذلك، عندما حاول الباحثون تطبيق هذا النموذج العام على مشكلة التمويه المحددة والمعقدة، وجدوا أنه يعاني. كان النموذج قادرًا على رؤية القرائن، لكنه غالبًا ما كان يخلط بينها، فاقدًا الإشارات الخافتة التي تميز الكائن المختبئ عن المشهد المحيط به.

وضع فريق من الباحثين من جامعة جنوب الصين الطبيعية وجامعة غوانغدونغ للمحيطات خطة لإصلاح هذا الضعف المحدد. لم يحاولوا بناء نموذج جديد من الصفر أو إجبار النموذج الحالي على حفظ المزيد من الأمثلة، بل ركزوا على كيفية دمج الكمبيوتر لأنواع مختلفة من المعلومات. تخيل النموذج كطاهٍ يتلقى مكونين مختلفين: وصف بصري للمشهد ووصف نصي لما يجب البحث عنه. في المحاولات السابقة، كانت هذه المكونات تُخلط ببساطة معًا، مما أدى أحيانًا إلى طغيان الإشارات النصية الصاخبة على القرائن البصرية الدقيقة. أدرك الباحثون أن المشكلة لم تكن في المكونات نفسها، بل في طريقة خلطها. اقترحوا طريقة جديدة تسمى MC-SAM، والتي تعمل مثل خلاط دقيق يضمن عدم هيمنة مكون على الآخر. يفرض نهجهم مجموعة صارمة من القواعد لكيفية مزج هذه التدفقات المختلفة من المعلومات، مما يضمن الحفاظ على الإشارات الخافتة والمخفية بدلاً من إغراقها.

يكمن جوهر اكتشافهم في مفهوم رياضي يسمونه القيد "ثنائي العشوائية" (doubly stochastic). بعبارات بسيطة، هذا هو ميزان العدل. فعندما يمزج الكمبيوتر المعلومات البصرية والنصية، يجب أن يضمن أن كل جزء من المخرجات يأتي من مزيج عادل من المدخلات، وأنه لا يُسمح لأي مدخل واحد بأن يساهم كثيرًا جدًا أو قليلًا جدًا. طبق الباحثون هذه القاعدة في مرحلتين حرجتين من عملية تفكير الكمبيوتر. أولاً، استخدموها لدمج القرائن الأولية في "تلميح" (prompt) مركز، يخبر النموذج بالضبط عما يجب البحث عنه. ثانيًا، طبقوا القاعدة نفسها في عمق النموذج، حيث يعالج الأشكال والأنسجة المعقدة للصورة. ومن خلال إجبار النظام على موازنة هذه التدفقات عند هذين المستويين، أصبح النموذج أفضل بكثير في التمسك بالأدلة الضعيفة اللازمة لرصد جسم مخفي.

تم قياس نتائج هذا النهج مقابل مجموعة كبيرة من الصور الاختبارية التي تحتوي على كائنات مموهة متنوعة. وعندما قارن الباحثون طريقتهم الجديدة بأفضل نسخة سابقة من النموذج، كان التحسن واضحًا. ففي مجموعة اختبار قياسية تُعرف باسم COD10K، والتي تحتوي على آلاف الصور للأجسام المخفية، رفع النظام الجديد درجة دقته من 0.842 إلى 0.858. وبينما قد يبدو هذا الرقم صغيرًا، إلا أنه في عالم الرؤية الحاسوبية يمثل قفزة نوعية في الموثوقية. والأهم من ذلك، وجد الباحثون أن طريقتهم جعلت النظام أكثر استقرارًا. قبل هذا التغيير، كان أداء النموذج يتأرجح بشكل حاد اعتمادًا على كيفية اتخاذ القرار النهائي؛ أما مع قواعد الخلط الجديدة، فقد أصبح النظام أقل حساسية لهذه التغييرات الصغيرة. كما لاحظ الباحثون أن التمثيلات الداخلية للصور أصبحت أقل تشوهًا، مما يعني أن الكمبيوتر أصبح يرى الأشكال بوضوح أكبر وبأقل قدر من الارتباك.

وللتأكد من أن هذه المكاسب جاءت من قواعد الخلط الجديدة وليس من جزء آخر من النظام، أجرى الباحثون سلسلة من التجارب المنضبطة. اختبروا النموذج بطرق مختلفة لخلط المعلومات، بما في ذلك طرق أقل صرامة أو غير منظمة تمامًا. وقد تفوقت النسخة التي تحتوي على قواعد الموازنة الخاصة بهم باستمرار على النسخ الأخرى. كما اختبروا ما إذا كان إضافة أدوات إضافية، مثل آلية لاختيار الإجابة النهائية بعد انتهاء تفكير النموذج، سيحدث فرقًا. ووجدوا أنه بينما ساعدت هذه الأدوات الإضافية قلي الطلاب، فإن الغالبية العظمى من التحسن جاءت من طريقة الخلط الجوهرية نفسها. حقق النظام هذه النتائج من خلال تدريب جزء صغير فقط من معلماته الإجمالية — حوالي 5.15 مليون — مع إبقاء محرك الصور الضخم والمدرب مسبقًا ثابتًا دون تغيير. وهذا يعني أن النموذج تعلم كيف يكون أفضل في التمويه دون الحاجة إلى إعادة تدريبه من البداية.

تناولت الدراسة أيضًا سؤالًا شائعًا في هذا المجال: هل يفهم النموذج المشهد حقًا، أم أنه يخمن بشكل صحيح بمحض الصدفة؟ حلل الباحثون السلوك الداخلي للنموذج ووجدوا أن قواعد الخلط الجديدة قللت من "تشوه المسافة" بين أجزاء الصورة المختلفة. بعبارات أبسط، كان الكمبيوتر يحافظ على العلاقات بين الأجسام وخلفياتها بشكل أكثر دقة. كما قاسوا مدى حساسية النموذج تجاه "العتبة" (threshold) المستخدمة لتحديد ما إذا كانت البكسل جزءًا من الجسم أو الخلفية. كان النظام الجديد أقل حساسية بكثير لهذا الإعداد، حيث انخفضت درجة الحساسية من 0.026 إلى 0.012، مما يشير إلى أداء أكثر قوة وموثوقية.

وعلى الرغم من أن النتائج واعدة، فقد كان الباحثون حذرين في توضيح حدود نتائجهم. فقد أظهروا أن القيد الرياضي المحدد الذي استخدموه يعمل جيدًا لهذه المهمة، لكنهم لم يدعوا إلى حل مشكلة التمويه إلى الأبد. فلا يزال النموذج يعاني في الحالات الصعبة للغاية، مثل الأجسام الصغيرة جدًا أو المحجوبة بشدة. علاوة على ذلك، فإن الضمان النظري الذي أثبتوه ينطبق على خطوة الخلط نفسها، وليس بالضرورة على كل جزء من النظام بأكره. وتشير الأدلة إلى أنه من خلال تنظيم كيفية تدفق المعلومات ومزجها، يمكننا جعل نماذج الذكاء الاصطناعي العامة القوية أكثر فعالية في مهام محددة وصعبة. يقدم هذا النهج مسارًا عمليًا للمضي قدمًا: بدلًا من بناء نماذج أكبر وأكثر تعقيدًا، يمكننا جعل النماذج الموجودة أكثر ذكاءً عبر تعليمها كيفية الاستماع إلى جميع قرائنها دون السماح لأي منها بالصراخ بصوت أعلى من اللازم.