WMS-Net:Wavelet-Mamba Synergistic Network for Joint Semantic Segmentation and Height Estimation of Remote Sensing Images

في عالم الاستشعار عن بُعد، حيث تلتقط الأقمار الصناعية والطائرات صوراً للأرض من الأعلى، تحمل صورة فوتوغرافية واحدة قصتين متميزتين تنتظران من يرويهما. القصة الأولى تتعلق بماهية الأشياء: طريق، أو شجرة، أو مبنى، أو سيارة. يُعرف هذا باسم "التجزئة الدلالية" (semantic segmentation)، وهي عملية تصنيف كل بكسل في الصورة ضمن فئة محددة. أما القصة الثانية، فتتعلق بمدى ارتفاع تلك الأشياء؛ وهذا هو "تقدير الارتفاع" (height estimation)، الذي يحول صورة مسطحة إلى خريطة ثلاثية الأبعاد للتضاريس، كاشفاً عن الأسطح الشاهقة لناطحات السحاب أو المنحدرات اللطيفة للتلال. لعقود من الزمن، حاول علماء الحاسوب حل هاتين المشكلتين بشكل منفصل، عبر تدريب خوارزميات مختلفة للتعرف على الأشياء وأخرى لقياس الارتفاع. ومع ذلك، فإن هاتين المهمتين مترابطتان بعمق؛ فشكل المبنى يساعد في تحديد ارتفاعه، ومعرفة ارتفاع السقف تساعد في تمييزه عن الأرض. كان التحدي يكمن في أنه عندما تحاول الحواسيب تعلم المهمتين معاً، فإن الضجيج والتعقيد في الصور الواقعية غالباً ما يتداخلان، مما يؤدي إلى حواف ضبابية أو قياسات غير دقيقة.

لقد طور فريق من الباحثين في جامعة شيان للهندسة المعمارية والتكنولوجيا نهجاً جديداً لفك هذا الارتباط، حيث أنشأوا نظاماً أطلقوا عليه اسم WMS-Net. وبدلاً من إجبار خوارزمية واحدة على التعامل مع المهمتين في آن واحد، صمموا شبكة تقوم بتقسيم المعلومات المرئية إلى طبقات مختلفة من التفاصيل قبل إعادة دمجها. تخيل أنك تنظر إلى صورة فوتوغرافية وتفصل الخطوط الخارجية الحادة والواض้อมة لمبنى ما عن الألوان الناعمة والعريضة للسماء والأرض. أدرك الباحثون أن مهمة تحديد ماهية الشيء تعتمد بشكل كبير على تلك الحواف الحادة والقوام الدقيق، بينما تعتمد مهمة قياس الارتفاع أكثر على الأشكال المستمرة والناعمة والخطوط الكلية. وللاستفادة من هذا الاختلاف، يستخدم نظامهم الجديد أداة رياضية تسمى "تحويل المويجات" (wavelet transform) لتعمل كمرشح (فلتر). تقوم هذه الأداة بفصل بيانات الصورة إلى مكونات عالية التردد، والتي تحتوي على التفاصيل الدقيق والحواف، ومكونات منخفضة التردد، التي تحمل المعلومات الهيكلية الأوسع.

بمجرد فصل البيانات، يوجه النظام التفاصيل عالية التردد إلى الجزء المسؤول من الشبكة عن تحديد الأشياء، مما يضمن رسم حواف المباني والأشجار بدقة. وفي الوقت نفسه، يرسل المعلومات الناعمة ومنخفضة التردد إلى الجزء المسؤول عن حساب الارتفاع، مما يسمح له بفهم الشكل العام والارتفاع دون أن يتشتت بالأنماط المزعجة. هذا الفصل يمنع المهمتين من إرباك بعضهما البعض. ومع ذلك، فإن مجرد تقسيم البيانات ليس كافياً؛ إذ يحتاج النظام أيضاً إلى فهم كيفية ارتباط الأشياء ببعضها البعض عبر الصورة بأكملها، مثل كيف يمتد طريق طويل عبر مدينة أو كيف يشكل تجمع من الأشجار غطاءً نباتياً مستمراً. ولتحقيق ذلك، دمج الباحثون مكوناً يعتمد على بنية حديثة تُعرف باسم "مامبا" (Mamba). يعمل هذا الجزء من النظام مثل ماسح ضوئي بعيد المدى، قادر على ربط الأجزاء البعيدة من الصورة بأقل قدر من الجهد الحسابي، مما يسمح له بنمذجة الهيكل العالمي للمشهد بكفاءة.

القطعة الأخيرة من اللغز هي آلية تسم تسمح لتدفقات المعلومات المنفصلة — الملصقات التفصيلية للأشياء وخريطة الارتفاع الناعمة — بالتواصل مع بعضهما البعض. فقد بنى الباحثون وحدة "انتباه متقاطع" (cross-attention module) تسمح لمعلومات الارتفاع بتوجيه التعرف على الأشياء، مما يضمن بقاء الخط الخارجي للمبنى متسقاً مع ارتفاعه المقاس، والعكس صحيح. وهذا يخلق حلقة تغذية راجعة حيث تعمل المهمتان على تحسين بعضهما البعض، وتصحيح الأخطاء التي قد تحدث إذا كانتا تعملان بمعزل عن بعضهما. وعند اختباره على مجموعتين رئيسيتين من الصور الجوية من مدينتي فاينهيجين وبوتسدام في ألمانيا، أظهر هذا النظام الجديد أداءً متفوقاً مقارنة بالطرق الحالية. ففي مجموعة بيانات فاينهيجين، حقق النظام درجة دقة بلغت 83.2% في تحديد الأشياء ومعدل خطأ منخفض جداً في قياسات الارتفاع. وفي مجموعة بيانات بوتسدام الأكبر والأعلى دقة، وصل إلى دقة 86.8% في تحديد الأشياء وحافظ على معدل خطأ منخفض مماثل للارتفاع.

تشير النتائج إلى أنه من خلال احترام الطرق المختلفة التي يدرك بها البشر والآلات التفاصيل مقابل الهياكل، ومن خلال السماح لهذه الرؤى المختلفة بالتعاون بدلاً من التنافس، يمكن إنشاء أداة أكثر موثوقية لرسم الخرائط. فالنظام لا ينتج مجرد قائمة من الملصقات أو خريطة ارتفاع تقريبية؛ بل ينتج فهماً ثلاثي الأبعاد متماسكاً للمشهد حيث تتطابق حدود المبنى تماماً مع ارتفاعه المقاس. يقدم هذا النهج إطاراً جديداً لكيفية تعلم الحواسيب رؤية العالم في أبعاد متعددة في وقت واحد، محولةً الصور المسطحة إلى بيانات غنية وقابلة للتنفيذ للتخطيط الحضري، ومراقبة الكوارث، ونمذجة المدن الذكية. إن نجاح هذه الطريقة لا يكمن في جعل الكمبيوتر أكثر ذكاءً بمعناه العام، بل في إعطائه طريقة أوضح لتنظيم المعلومات المرئية التي يتلقاها، وفصل الضجيج عن الإشارة، والحواف عن الأشكال قبل مطالبته بفهم الكل.