في عالم رصد سطح الأرض، يُعتبر اكتشاف التغيرات (Change Detection) أداة حيوية لتحديد أنماط التحولات البيئية. لكن التحدي يكمن في الحاجة إلى نماذج تستطيع التعرف على فئات دلالية (Semantic Categories) متعددة بشكل عشوائي. هنا تظهر فائدة نموذج اكتشاف التغيرات ذو المفردات المفتوحة (Open-Vocabulary Change Detection/OVCD).

مع الأساليب الحالية، غالبًا ما تتداخل العمليات الزمنية، التمييز الدلالي، والتحقق من المناطق، ما يؤدي إلى نتائج غير مستقرة وحسابات مكررة. لكن، مستوحاة من الطريقة التي يدرك بها الإنسان التغيرات البصرية، نقدم لكم CogVis، إطار عمل موجه بالذاكرة إدراكي (Cognitive Memory-Guided Framework) الذي يعيد صياغة OVCD كمنظومة من الإدراك، الذاكرة، والتحقق.

تبدأ العملية بإستخدام Perceptron للتغيرات المشهدية (Scene Change Perceptron/SCP) لاستخراج أولوية التغيير القابلة لإعادة الاستخدام من مميزات زمنية ثنائية متجمدة، مما يفصل الأدلة الزمنية عن قرارات الفئات الدلالية. بعد ذلك، تُعزز مُعاير الذاكرة الدلالية (Semantic Memory Calibrator/SMC) التغيرات عن طريق تقدير ديناميكي لعتبة قرار خاصة بالصورة والاستعلام. في النهاية، يعمل مرشح المناطق التكيفي (Adaptive Region Filter/ARF) على تصفية العروض المتصلة باستخدام موثوقيات دلالية، زمانية، وهيكلية مُتعلمة.

تُظهر التجارب على سبعة معايير، تشمل اكتشاف التغيرات الدلالية، تحديد التغير الثنائي، وتقييم الأضرار في المباني، أن CogVis يحقق أداءً رائدًا عبر جميع البيانات المُقيّمة. من خلال مشاركة إدراك التغيرات على مستوى المشهد، يتجنب CogVis تكرار الإدراك الزمني غير القائم على الفئة عبر الاستعلامات، مما يُحسن الأداء بنسبة 28.50%.

تتجاوز CogVis الحدود التقليدية في مجالات الذكاء الاصطناعي، مما يعد بفتح آفاق جديدة لرصد التغييرات البيئية بكفاءة عالية. ما رأيكم في هذه الابتكارات؟ شاركونا في التعليقات!