Adaptive Margin Based Metric Learning for Unbalanced Point Cloud Classification and Retrieval

في عالم الرؤية ثلاثية الأبعاد، تتعلم الحواسيب رؤية العالم المادي ليس كصور مسطحة، بل كمجموعات من النقاط في الفضاء. هكذا تلتقط المستشعرات الحديثة، مثل تلك الموجودة في السيارات ذاتية القيادة أو سماعات الواقع الافتراضي، الأجسام: كسحب من النقاط التي ترسم المعالم والأسطح والأشكال. ولكي يفهم الكمبيوتر ما ينظر إليه، يجب عليه تصنيف هذه السحب إلى فئات، مثل التمييز بين الكرسي والطاولة، ثم العثور على عناصر مماثلة ضمن قاعدة بيانات ضخمة. هذه العملية، المعروفة بالتصنيف والاسترجاع، تعتمد بشكل كبير على التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يتعلم من خلال الأمثلة. ومع ذلك، فإن مشكلة مستمرة قد أرقت هذه الأنظمة: وهي أن البيانات التي تتعلم منها نادراً ما تكون عادلة. في العالم الحقيقي، تكون بعض فئات الأجسام وفيرة في بيانات التدريب، بينما تكون فئات أخرى نادرة. وعندما يتم تدريب الكمبيوتر على مثل هذا النظام الغذائي غير المتوازن، فإنه يميل إلى أن يصبح بارعاً في التعرف على العناصر الشائعة، لكنه يعاني بشكل كبير مع العناصر النادرة، وغالباً ما يفشل في التمييز بينها أو العثور عليها في عملية البحث.

لقلبت فريق من الباحثين من جامعة غيلين للتقنيات الإلكترونية وجامعة شيديان طريقة جديدة لحل هذه المشكلة المحددة المتمثلة في عدم التوازن في التعرف على الأجسام ثلاثية الأبعاد. يركز عملهم على تعليم الكمبيوتر معاملة كل فئة بالقدر المناسب من الاهتمام، بغض النظر عن عدد الأمثلة التي رآها. وبدلاً من استخدام طريقة قياسية تطبق نفس القواعد على كل مجموعة من الأجسام، ابتكروا نظاماً يعدل استراتيجية التعلم تلقائياً بناءً على مدى شيوع أو ندرة نوع معين من الأجسام. ومن خلال القيام بذلك، يتعلم الكمبيوتر إيلاء اهتمام إضافي للفئات النادرة، مما يضمن قدرته على التعرف على نوع نادر من الكراسي بنفس جودة التعرف على نوع شائع. والنتيجة هي نظام لا يحدد الأشكال ثلاثية الأبعاد بدقة أكبر فحسب، بل يسترجعها أيضاً من قاعدة البيانات بدقة أعلى بكثير، وكل ذلك باستخدام قدر ضئيل جداً من قدرة الحوسبة.

يكمن جوهر هذه الطريقة الجديدة في كيفية قياس الكمبيوتر للمسافة بين الأشكال المختلفة. في الأنظمة التقليدية، يحاول الكمبيوتر دفع الفئات المختلفة بعيداً عن بعضها البعض وسحب العناصر المتشابهة نحو بعضها باستخدام قاعدة ثابتة، تماماً مثل معلم يطبق منحنى درجات ثابتاً على كل طالب. وقد وجد الباحثون أن هذا النهج الثابت يفشل عندما يكون لدى بعض "الطلاب" (فئات الأجسام) أمثلة قليلة جداً للدراسة. ولإصلاح ذلك، قدموا "هامشاً تكيفياً"، وهو قاعدة مرنة تغير صعوبة مهمة التعلم لكل فئة. فبالنسبكم لفئة لديها عينات قليلة جداً، يخصص النظام هامشاً أكبر لضمان الفصل الواضح بين ذلك الجسم النادر وكل شيء آخر. أما بالنسبة لفئة لديها آلاف العينات، فيتم تخصيص هامش أصغر، مما يسمح للكمبيوتر بالتركيز على إبقاء تلك الأمثلة الكثيرة متجمعة بإحكام. هذا التعديل الديناميكي يضمن أن الكمبيوتر لا يتجاهل العناصر النادرة لمجرد أنها تظهر بشكل أقل تكراراً في بيانات التدريب.

ولتحسين فهم الكمبيوتر لهذه الأشكال، أضاف الباحثون مكونين هيكليين جديدين إلى الشبكة العصبية. أولاً، صمموا طريقة تجعل الكمبيوتر ينظر إلى ميزات الجسم بمستويات مختلفة من التفاصيل في آن واحد، حيث يجمع بين الأشكال العامة وأنسجة السطح الدقيقة. هذا يشبه كيف ينظر الإنسان إلى كرسي ويلاحظ الهيكل العام وانحناءة الساق المحددة في الوقت نفسه، بدلاً من مجرد ملاحظة أحدهما فقط. ثانياً، أنشأوا وحدة خفيفة الوزن لمحاذاة السحب النقطية قبل أن يبدأ الكمبيوتر في التعلم. وبما أن الأجسام ثلاثية الأبعاد يمكن أن تكون مائلة أو مدورة في أي اتجاه، تقوم هذه الوحدة بتدوير البيانات إلى وضع عمودي قياسي، مما يجعل من السهل جداً على النظام التعرف على الجسم بغض النظر عن كيفية مسحه ضوئياً في الأصل. خطوة المحاذاة هذه حاسمة لأنها تزيل الارتباك الناتج عن الزوايا العشوائية، مما يسمح للكمبيوتر بالتركيز الصرف على الشكل نفسه.

اختبر الباحثون طريقتهم على مجموعتي بيانات كبيرتين ومعروفتين تحتويان على آلاف النماذج ثلاثية الأبعاد، تتراوح من الأدوات المنزلية البسيطة إلى الأجزاء الميكانيكية المعقدة. في الاختبار الأول، وباستخدام مجموعة بيانات تضم أربعين فئة مختلفة، حقق نظامهم دقة تصنيف بلغت 93.7 بالمائة، متفوقاً قليلاً على أفضل الطرق الموجودة التي تستخدم السحب النقطية. والأهم من ذلك، عندما طُلب منه استرجاع أجسام مماثلة من قاعدة بيانات، وصل نظامهم إلى درجة أداء بلغت 92.3 بالمائة، وهي أعلى بكثير من أي طريقة أخرى تعتمد على السحب النقطية، بل وتفوقت حتى على الأنظمة التي تستخدم كاميرات متعددة لرؤية الجسم من زوايا مختلفة. وفي اختبار ثانٍ أكثر تحدياً يتضمن مجموعة بيانات بخمس وخمسين فئة حيث تم تدوير الأجسام عشوائياً، تصدرت طريقتهم قائمة جودة الاسترجاع مرة أخرى، مما أثبت قدرتها على العثور على الجسم الصحيح حتى عندما كان الشكل ملتفاً بطرق غير متوقعة.

إن ما يجعل هذا الإنجاز لافتاً للنظر بشكل خاص هو كفاءة النظام. فبينما تتطلب الطرق عالية الأداء الأخرى كميات هائلة من قدرة الحوسبة أو إعدادات معقدة تتضمن كاميرات متعددة، يعمل هذا النهج الجديد مع مجموعة واحدة من النقاط ويستخدم جزءاً ضئيلاً من موارد المعالجة. يتطلب النظام بأكمله أقل من نصف مليون معلمة (وهو مقياس لتعقيد النظام)، ويعمل بسرعة على أجهزة الكمبيوتر القياسية. وهذا يعني إمكانية نشر هذه التكنولوجيا في تطبيقات العالم الحقيقي، مثل الروبوتات أو الأجهزة المحمولة، حيث السرعة واستهلاك الطاقة المنخفض أمران ضروريان. لقد أثبت الباحثون أنه من خلال تغيير كيفية تعلم الكمبيوتر من البيانات غير المتوازنة وتنظيم ميزاته الداخلية بشكل أكثر فعالية، فمن الممكن بناء نظام رؤية ثلاثية الأبعاد يتسم بالدقة العالية والكفاءة الفائقة في آن واحد.

تخلص الدراسة إلى أن مفتاح تحسين التعرف ثلاثي الأبعاد ليس مجرد امتلاك المزيد من البيانات، بل امتلاك طريقة أذكى لاستخدام البيانات المتاحة بالفعل. فمن خلال تكييف قواعد التعلم مع الاحتياجات المحددة لكل فئة من الأجسام، ومن خلال صقل كيفية معالجة الكمبيوتر للمعلومات المكانية، أنشأ الباحثون أداة تتعامل مع الواقع الفوضوي لمجموعات البيانات غير المتوازنة ببراعة. ويشير عملهم إلى أن مستقبل التعرف على الأجسام ثلاثية الأبعاد يكمن في هذه الأنظمة التكيفية والفعالة التي يمكنها التعلم من العالم كما هو، بكل تنوعاته واختلالاته، بدلاً من إجبار العالم على التوافق مع نموذج مثالي جامد.