Scene-aware Transformer encoder with Multi Instance Learning-guided Attention Mechanism for Anomaly Detection in Video Surveillance
تقترح هذه الورقة إطار عمل STAM، الذي يدمج التعلم التبايني من أجل تضمينات مدركة للمشهد مع مشفر محول موجه بواسطة انتباه التعلم متعدد الحالات، لمعالجة القيود السياقية والزمنية في كشف الشذوذ في الفيديو بفعالية وتحقيق دقة فائقة في مجموعات البيانات المرجعية.
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 رئيس حراس الأمن في ساحة مدينة ضخمة ومزدحمة. لديك مئات الكاميرات التي تنقل لك فيديو مباشر، لكن لا يمكنك مراقبة كل شاشة في وقت واحد. مهمتك هي رصد شيء غريب — مشاجرة، سرقة، أو شخص يركض في الاتجاه الخاطئ. الجزء الصعب هو أن "الشيء الغريب" يعتمد كلياً على مكان تواجدك. ففي مكتبة، يعتبر ركض شخص ما علامة خطر كبيرة، أما في ملعب كرة قدم، فهو مجرد جزء من اللعبة. لفترة طويلة، كانت برامج الكمبيوتر التي تحاول القيام بهذه المهمة تشبه الحراس الذين ينظرون فقط إلى "الحركة". إذا ركض شخص ما، ينطلق الإنذار، حتى لو كان في ملعب. لم تكن تلك البرامج تفهم "السياق" للمشهد. كما أنها كانت تعاني في تذكر ما حدث قبل بضع ثوانٍ لربط النقاط ببعضها. تعالج هذه الورقة البحثية تلك المشكلة عبر تعليم أجهزة الكمبيوتر ليس فقط رؤية الحركة، بل فهم "جو" المكان الذي تراقبونه.
قام الباحثان، ريفا نيزام خان ومحمد أمجد من جامعة جاميا ميليا إسلاميا، ببناء نظام جديد يسمى STAM. فكر في الأمر كأنه محقق فائق الذكاء لديه طريقتان متميزتان في التفكير. أولاً، يستخدم وحدة "إدراك المشهد" ليعرف بالضبط أين هو — مثل معرفة الفرق بين حديقة هادئة ومحطة قطار مزدحمة. ثياً، يستخدم أداة ذاكرة قوية (Transformer) لمراقبة مقاطع فيديو قصيرة وتحديد أي منها مريب. السحر يحدث عندما يتحدث هذان الجزءان مع بعضهما البعض. النظام لا ينظر إلى المقطع بشكل منعزل فحسب؛ بل يسأل نفسه: "هل هذا الفعل منطقي هنا؟" إذا كانت الإجابة لا، فإنه يطلق الإنذار.
إليك كيف يعمل هذا المحقق الجديد، مقسماً إلى خطوات بسيطة:
نهج "الدماغين"
حاولت معظم الأنظمة القديمة القيام بكل شيء بدماغ واحد، مما أدى غالباً إلى الارتباك. يقوم STAM بتقسيم المهمة.
- محقق المشهد: قبل مشاهدة الحدث، يأخذ النظام لقطة للبيئة. يستخدم تقنية تسمى "التعلم التبايني" لبناء خريطة ذهنية للمشهد. تخيل الأمر كأمين مكتبة يعرف أن سقوط كتاب من الرف أمر طبيعي في مكتبة ولكنه غريب في صالة ألعاب رياضية. يتعلم النظام التعرف على "شكل" المكان، مما ينشئ بطاقة هوية فريدة لكل موقع.
- مراقب الحركة: يستخدم هذا الجزء أداة تسمى "الشبكة العصبية التلافيفية ثلاثية الأبعاد المنتفخة" (أو I3D). إذا تخيلت كاميرا الفيديو العادية كصورة ثنائية الأبعاد تتغير بمرور الوقت، فإن هذه الأداة تشبه ماسحاً ضوئياً ثلاثي الأبعاد يرى الفيديو ككتلة صلبة من المساحة والزمن. إنها تلتقط الحركة والمظهر العام للأشخاص، وتحولها إلى تقرير مفصل.
لعبة "حقيبة المقاطع"
لا يشاهد النظام ساعة كاملة من الفيديو دفعة واحدة. بدلاً من ذلك، يقوم بتقطيع الفيديو إلى قطع صغيرة تسمى "مقاطع" (snippets). إنه يعامل الفيديو بأكمله كـ "حقيبة" من هذه المقاطع. هنا يأتي دور "التعلم متعدد النماذج" (MIL). فكر في الأمر كمعلم يصحح درجات فصل دراسي؛ إذا تم تحديد طالب واحد (مقطع واحد) في الفصل بسبب عدم الانتظام، يتم اعتبار الفصل بأكره (الفيديو) مشبوهاً. ينظر النظام إلى جميع المقاطع ويسأل: "أي من هذه المقاطع هو المثير للمشاكل؟"
آلية الانتباه السحرية
هذا هو الجزء الأروع. يمتلك النظام "رمز مشهد" (CLS token) يحمل بطاقة هوية الموقع. عندما يراجع النظام "حقيبة" المقاطع، فإنه يستخدم معرف الموقع هذا لتوجيه انتباهه. إنه مثل حارس أمن يعرف أنه "في هذا الممر تحديداً، يمشي الناس ببطء عادةً. إذا رأيت شخصاً يركض بسرعة، فهذا هو الشخص الذي يجب أن أركز عليه". يستخدم النظام آلية انتباه لوزن أهمية كل مقطع. إذا بدا مقطع ما غريباً بالنسبة لذلك المشهد المحدد، فإنه يعطيه درجة عالية. أما إذا بدا غريباً ولكنه يتناسب مع المشهد (مثل الركض في ملعب)، فإنه يتجاهله.
النتائج: درجة تقترب من المثالية
اختبر الباحثون نظام STAM الجديد على مجموعة بيانات شهيرة لفيديوهات المراقبة تسمى UCF Crime، والتي تحتوي على أكثر من 1,900 فيديو لأحداث واقعية مثل الاعتقالات، وحرائق العمد، والسرقات. كما اختبروه على مجموعة بيانات أخرى تسمى UCF101 لمعرفة ما إذا كان بإمكانه التعامل مع بيئات جديدة وغير مرئية.
كانت النتائج مبهرة. حقق نظام STAM دقة بلغت 99.85% ودرجة "المساحة تحت المنحنى" (AUC) بلغت 99.98%. ولوضع ذلك في السياق، فقد قارنوه بأنظمة ذكية أخرى مثل "I3D-MIL" و"GAN-MIL"، والتي سجلت درجات أقل بكثير (حوالي 90% إلى 96%). تشير الورقة إلى أن سبب فوز STAM هو أنه فهم السياق أخيراً. فهو لا يرى مجرد شخص يركض؛ بل يرى شخصاً يركض في مكان يعد فيه الركض خطراً.
لماذا يهم هذا؟
وجد المؤلفون أنه من خلال تعليم الكمبيوتر صراحةً تخطيط المشهد واستخدام آلية "واعية بالمشهد"، استطاعوا تقليل الإنذارات الكاذبة بشكل كبير. في الماضي، كان النظام قد يصرخ "طوارئ!" لأن شخصاً ما كان يركض في حديقة، رغم أنه كان مجرد عداء. ومع ذلك، فإن STAM يعرف الفرق. تظهر الدراسة أن هذا النهج ليس مجرد تعديل بسيط، بل هو خطوة كبيرة للأمام لجعل مراقبة الفيديو ذكية حقاً بما يكفي للتعامل مع الواقع المعقد والفوضوي. وبينما يتطلب النظام قدرة حوسبة أكبر للتشغيل (يستغرق حوالي 8 دقائق لكل دورة تدريبية على أجهزتهم الخاصة)، فإن المقابل هو نظام أكثر موثوقية وأقل عرضة لإطلاق إنذارات خاطئة.
باختصار، تقترح هذه الورقة أنه للإمساك بالأشرار، لا تحتاج فقط إلى أعين ترى الحركة، بل تحتاج إلى عقل يفهم القصة. ومع STAM، بدأت أجهزة الكمبيوتر أخيراً في فهم القصة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.