مشكلة تبدو بسيطة في الرؤية الحاسوبية تتلقى إجابة أوسع
يمكن لأنظمة الذكاء الاصطناعي الحديثة أن تضع تعليقات على الصور، وتتعرف إلى الأجسام، وتستخرج النصوص، لكن العدّ يظل واحداً من أصعب المهام البصرية التي يصعب تعميمها. قد ينجح نموذج في عدّ الأشخاص في حشد، لكنه يفشل مع الخلايا تحت المجهر أو المركبات في صور الأقمار الصناعية. وهذه الفجوة مهمة لأن العدّ ليس مشكلة ترفيهية. فهو يظهر في التصوير الطبي والزراعة وتحليل المرور والعمل العلمي حيث تكون الدقة مهمة.
نظام بحثي جديد يُدعى Count Anything صُمم لمعالجة هذا القيد عبر تحويل عدّ الأجسام إلى قدرة عامة متعددة الأغراض. ووفقاً للمادة المصدرية، يمكن للنموذج أن يعدّ ويصنّف الأجسام عبر أنواع مختلفة جداً من الصور باستخدام أمر نصي فقط. والهدف المعلن هو نظام واحد يمكن أن يُطلب منه عدّ الرؤوس أو السيارات أو الخلايا أو المستعمرات البكتيرية دون الحاجة إلى نموذج متخصص منفصل لكل مجال.
وهذا الطموح هو ما يجعل العمل لافتاً. فالتحدي لا يقتصر على الكشف، بل يتعلق بالتعامل مع اختلافات شاسعة في مقياس الصورة وحجم الجسم وكثافة المشهد، مع تجنب العدّ المزدوج والغموض اللذين يكسران أنظمة العدّ كثيراً.
طريقتان للعدّ، مدمجتان في نظام واحد
التصميم الأساسي في Count Anything هجين. وتقول المادة إن النموذج يجمع بين نهجين متكاملين. أحدهما قائم على المناطق ويعمل أفضل مع الأجسام الكبيرة والواضحة، عبر رسم مربعات إحاطة حولها. والآخر قائم على البكسلات وموجّه إلى الأهداف الأصغر أو الأكثر كثافة، باستخدام نقاط بدلاً من المربعات. ثم يدمج النظام المخرجات كلها في مجموعة نهائية من الأجسام المعدودة.
يعالج هذا النهج نمط فشل شائعاً في الذكاء الاصطناعي البصري. فالأجسام الكبيرة والأجسام الصغيرة المتكدسة تحتاج غالباً إلى معالجات مختلفة. قد ينجح عدّاد الحشود في عدّ الرؤوس الكثيفة لكنه يفشل في العناصر الكبيرة المعزولة. وقد يفوّت كاشف مدرّب على المربعات أهدافاً مجهرية متراصة. ومن خلال تقسيم المهمة ثم التوفيق بين المخرجات، يحاول الباحثون تغطية طرفي الطيف.
وتكتسب خطوة التوفيق أهمية لا تقل عن إعداد النموذجين. ووفقاً للمصدر، عندما يلتقط النهجان الهدف نفسه، تحدد قاعدة ثقة بسيطة أي التنبؤين يُحفظ، ما يمنع العدّ المزدوج. هذا حل عملي لمشكلة عملية: إذا رأى عدّادان منفصلان الجسم نفسه، فيحتاج النظام إلى طريقة لدمج ذلك في إجابة واحدة.
مبني فوق SAM3 من Meta
لم يبنِ الباحثون النموذج كاملاً من الصفر. فالنظام يستخدم SAM3 المدرب مسبقاً من Meta كأساس، مستفيداً من قدرته على معالجة الصور والنصوص معاً. وبدلاً من إعادة تدريب الشبكة كلها، أضاف الفريق مكوّنات مواءمة أصغر لمهمة العدّ.
يتسق هذا الاختيار مع نمط أوسع في تطوير الذكاء الاصطناعي. فبدلاً من إعادة بناء النماذج متعددة الوسائط العامة لكل حالة استخدام جديدة، يبدأ الباحثون بشكل متزايد من نموذج أساس قادر ثم يضيفون طبقات أو وحدات خاصة بالمهمة. والميزة واضحة: تكلفة تدريب أقل، وتجريب أسرع، وفرصة أفضل لنقل المعرفة بين المجالات.
وفي هذه الحالة، فإن هدف النقل واسع بشكل غير معتاد. فالنموذج مُصمم للعمل عبر صور الأقمار الصناعية والفحوص الطبية وصور المختبر والصور اليومية. وإذا نجح هذا النهج على نطاق أوسع، فسوف يشير ذلك إلى أن العدّ يمكن النظر إليه أقل كحزمة من المهام الرأسية المنفصلة وأكثر كوظيفة استدلال بصري عامة.
مجموعة بيانات مخصصة ونتائج قوية في الاختبارات
تقول المادة إن Count Anything دُرّب على مجموعة بيانات مخصصة تُدعى CLOC وتفوق على مجموعة من الأنظمة المنافسة في الاختبارات. وهذه الدعوى مهمة لأن العمومية لا تفيد كثيراً إذا جاءت على حساب الدقة. أنظمة العدّ تنجح أو تفشل بحسب قدرتها على الحفاظ على الدقة عندما تصبح المشاهد فوضوية أو مزدحمة أو مختلفة المجال.
وفي الوقت نفسه، يتجنب التقرير المبالغة في النتيجة. فما زال النموذج يواجه صعوبة مع المصطلحات الغامضة والمشاهد شديدة الكثافة. وهذه التحفظات أساسية لأنها تبرز الجزء من المشكلة الذي لم يُحل بعد. حتى البشر قد يختلفون حول ما الذي يجب عده بالضبط عندما تكون اللغة غامضة أو يكون المشهد مزدحماً بصرياً. فعبارة مثل “عدّ المركبات” تبدو مباشرة حتى تواجه سيارات لعب، أو حجباً جزئياً، أو أشكالاً بعيدة لا يمكن تمييزها بالكامل.
الصور الكثيفة تمثل تحدياً دائماً آخر. فعندما تتراكب الأجسام بشدة أو تصبح شبه غير مميزة، يصبح العدّ أقرب إلى التقدير الإحصائي منه إلى الكشف التقليدي. وقد ينجح نظام ما في نوع كثافة معين لكنه يفشل في نوع آخر. ولهذا يظل التصميم الهجين لافتاً، حتى لو لم يحل كل الحالات الحدية.
لماذا يهم العدّ العام
إذا نضج Count Anything أو ما يشبهه، فقد يمتد أثره إلى ما هو أبعد بكثير من قوائم الترتيب في المعايير. ففي الطب، يمكن للعدّ الموثوق أن يدعم التحليل القائم على الصور حيث يحتاج الأطباء إلى تقدير الخلايا أو الآفات أو غيرها من الأهداف المرئية. وفي الزراعة، قد يساعد عدّ النباتات أو سمات المحاصيل في تقدير الغلة. وفي النقل والتخطيط الحضري، يمكن أن يفيد عدّ السيارات أو المشاة في إدارة المرور. وفي العلوم، يعدّ حصر البنى الصغيرة في الصور الكثيفة مطلباً روتينياً لكنه مرهق.
وجاذبية النظام القائم على الأوامر النصية أنه يقلل الفجوة بين نية المستخدم ومخرجات الآلة. فبدلاً من اختيار أداة ضيقة صُممت لفئة واحدة، يمكن للمستخدم تحديد الجسم بلغة طبيعية والحصول على عدد وعلامات بصرية تُظهر ما الذي أُدرج. هذا النوع من القابلية للتفسير مفيد لأنه يسمح للمستخدمين بفحص ما إذا كان النظام قد عدّ الأشياء الصحيحة، لا مجرد ما إذا كان قد أنتج مجموعاً يبدو معقولاً.
هذا البحث لا يلغي الصعوبات الكامنة في العدّ، لكنه يعيد صياغتها. فبدلاً من التعامل مع العدّ كجملة من التخصصات المنعزلة، يعامله كمشكلة متعددة الوسائط مشتركة مع اختلافات خاصة بكل مجال. وهذا هدف أكثر طموحاً، ووفقاً للمصدر، فإن النتائج الأولية قوية بما يكفي لتستحق المتابعة عن كثب.
هذا المقال يستند إلى تقرير من The Decoder. اقرأ المقال الأصلي.
Originally published on the-decoder.com
