في عالم الصور المعقدة لعلوم البحار، تُعتبر تقنية السونار الجانبي (Side-Scan Sonar) إحدى الأدوات الحيوية التي تحتاج إلى تحسين لتعويض التحديات الناجمة عن العوائق الفيزيائية. تكمن المشكلة الرئيسية في أن الصور الملتقطة تحتوي على تشويش كبير بالمقارنة مع الانعكاسات الحقيقية لقاع البحر. وقد قدم الباحثون في هذا المجال حلاً مبتكراً يجسد مفهوم BenthicDINO، وهو نظام يعتمد على التعلم الذاتي المدفوع بالفيزياء لتحسين تمثيلات السونار الجانبي.

يستند BenthicDINO إلى بنية DINOv3 ويستخدم بنية ConvNeXt-v2-Tiny، مما يجعله فعالًا في استغلال البيانات بشكل أمثل. تتبع هذه التقنية أسلوبين رئيسيين لتعزيز الاستقلالية في العرض: أولاً، تستخدم تنبيهات مستوحاة من الفيزياء لمحاكاة الضوضاء والخصائص الميدانية المتغيرة، وثانيًا، تطبق عقوبة Hilbert-Schmidt Independence Criterion (HSIC) لفصل الميزات التي تم تعلمها عن المعلمات الفيزيائية المتعلقة بالرؤية.

تعتبر الفكرة الأساسية هنا هي إنشاء استراتيجية جديدة لدمج الميزات بشكل كثيف وهرمي عبر مراحل الشبكة الأربعة، مما يعزز من الاحتفاظ بالتفاصيل الدقيقة للتربة بالإضافة إلى التجريدات الدلالية العميقة.

أثبتت النتائج التجريبية أن BenthicDINO قادر على تجميع التضاريس القاعية المعقدة إلى مجموعات دلالية مستقرة وخالية من الضوضاء، مما يلغي الحاجة إلى التوصيف اليدوي. في إطار المهام الإشرافية مثل تلك التي تم استخدامها في مجموعة بيانات S3Seg، حققت التمثيلات الناتجة كفاءة بيانات استثنائية، حيث وصلت إلى 96% من الأداء الأمثل المطلوب باستخدام فقط 10% من البيانات المعلّمة المتاحة.

ومع تحقيق مؤشر التقاطع على الاتحاد (mIoU) بنسبة 71.4% ودقة عامة بلغت 86.5%، يمكن القول إن BenthicDINO يمثل خطوة هائلة نحو مستقبل أكثر ابتكارًا في عالم السونار الجانبي والتعريف الآلي.