في عالم رؤية الكمبيوتر، يمثل العد في الحشود (Crowd Counting) تحديًا كبيرًا، خاصة عندما يتعلق الأمر بالأماكن ذات الإضاءة الخافتة. ورغم أهمية هذه المهمة في العديد من التطبيقات العملية، لا تزال التقنيات الحالية تعاني من قصور كبير في البيئات المعتمة.

تقوم الأبحاث التقليدية عادةً بالتركيز على المشاهد ذات الإضاءة الجيدة أو تعتمد على تمثيلات أحادية البعد مثل ألوان الأحمر والأخضر والأزرق (RGB)، مما يجعل النتائج غير دقيقة عندما تكون الإضاءة ضعيفة أو معقدة.

ومع ذلك، طوّرت دراسة جديدة منهجية مبتكرة تتضمن تصاميم جديدة لمعايير العد في البيئات منخفضة الإضاءة، مستعينة بمجموعة من البيئات الاصطناعية مثل مجموعات بيانات SHA_Dark وSHB_Dark، بالإضافة إلى قاعدة بيانات تم جمعها من العالم الحقيقي تُعرف باسم LC-Crowd (Low-light Crowd Dataset).

استنادًا إلى النماذج الفيزيائية المعتمدة، تم إدخال معلومات العمق وأطراف كأدلة هيكلية وجيومترية لتعزيز تمثيل الانعكاس الحساس في ظروف الإضاءة المنخفضة. بحيث تم اقتراح وحدة دمج الهيبرغراب متعددة الوسائط (Multi-Modal Hyper-Graph Fusion)، والتي تعبر عن مظهر RGB، والعمق، وهيكل الأطراف كعقد في هيبرغراب موحد، وتلتقط العلاقات التكاملية عالية الترتيب من خلال بناء الحواف الديناميكية ومرور الرسائل.

علاوة على ذلك، تم تقديم وحدة الانتباه المتغير الشبه المستطيل (Deformable Rectangular Sparse Attention) التي تتأكد من تركيز الحسابات على المناطق المهمة، مما يساعد في تحسين دقة العد في الحشود بصورة ملحوظة.

هذه الابتكارات أدت إلى تطوير شبكة عد الحشود منخفضة الإضاءة (LCNet)، والتي أثبتت من خلال العديد من التجارب أنها تتفوق على الأساليب الأخرى الأكثر تقدمًا في هذا المجال.

في النهاية، أمامنا فرصة جديدة لتحسين الأداء في عد الحشود تحت ظروف الجميع الانتقائية، مما يفتح الباب لمزيد من التطبيقات العملية في مجال رؤية الكمبيوتر ومراقبة الحشود.

ما رأيكم في هذه التطورات المثيرة؟ هل تعتقدون أنها ستشكل فارقًا في التقنيات المستخدمة حاليًا؟ شاركونا في التعليقات!