تعتبر عملية كشف الكائنات من المجالات المثيرة في مجال الذكاء الاصطناعي، حيث يتم تدريب كاشفات الكائنات عادةً تحت إشراف مغلق، مما يعني أن المناطق غير الموسومة تُعتبر كخلفية ضمنياً. ولكن، عندما نواجه بيانات بعلامات غير مكتملة، يؤدي هذا إلى انحياز في تمييز الكائنات، حيث يتم استخدام الكائنات التي تبدو صحيحة ولكنها غير موسومة كأجسام سالبة، مما يربط عملية تمييز الكائنات بالتسميات المحددة بدلاً من التركيب العام للكائنات.

هنا تأتي أهمية ورقة البحث التي تحمل عنوان "تعلم تمييز الكائنات بدون خلفية (Background-Free Objectness Learning - B-FOR)"، والتي تقترح إطار عمل كثيف لكشف الكائنات غير المعتمدة على الفئات، يتعلم تمييز الكائنات دون الحاجة إلى إشراف صريح على الخلفية في المناطق غير الموسومة.

يقوم B-FOR بتحويل عملية الكشف إلى التنبؤ بمراكز الكائنات وأبعادها عبر مقاييس متعددة، حيث تظهر افتراضات الكائنات كأشكال مكانيّة محلية. كما تقتصر عمليات الإشراف على المناطق الموثوقة المعلّم عليها بواسطة أهداف سلسة ذات بنية مكانية، مما يجنب عملية التمييز بين المقدمة والخلفية. ولتعزيز عملية فك التشفير من القيم المحلية الطارئة، تم تقديم مجالات مقاييس ذكية تُراعي الإزاحة، التي تُحفّز تكوين الكائنات كخاصية متغيرة مكانيًا.

أظهرت التجارب على مجموعات بيانات مشهورة مثل PASCAL VOC وMS-COCO وOpen Images قدرة B-FOR الكبيرة على التعميم على الفئات غير المرئية والتوزيعات بين المجموعات. حيث كان B-FOR قادراً على تحسين معدلات الاسترجاع بأكثر من +10 نقاط على معايير غير المعتمدة على الفئات السابقة.

تعتبر الدراسات التوضيحية دليلاً على أن كلاً من إشراف تمييز الكائنات الموضعي ومجالات المقاييس الذكية تُعتبر حيوية لترخيص المواقع تحت العلامات غير المكتملة.

للاطلاع على الشيفرة المصدرية، يمكنكم زيارة مستودع GitHub. ما رأيكم في هذا التطور المثير في مجال كشف الكائنات؟ شاركونا في التعليقات!