في تطور مثير في مجال الذكاء الاصطناعي، تم تقديم نموذج جديد لتصنيف مجموعات الصور يُعرف باسم شبكة DCSCR (Deep Class-specific Collaborative Representation). تعتبر عملية تصنيف مجموعات الصور (Image Set Classification - ISC) من المهام المعقدة التي تتطلب مقارنة التشابهات بين مجموعات من الصور الفوضوية ذات الكميات والجودة المتغيرة، وهذه المشكلة شهدت اهتمامًا متزايدًا من الباحثين في السنوات الأخيرة.

تواجه الطرق التقليدية للتصنيف تحديات في استخدام الميزات الفعالة، حيث تعتمد في تصنيفها على ميزات البيكسل الخام، مما يتجاهل أهمية تعلم الميزات. وعلى النقيض، يمكن للطرق العميقة التقليدية تعلم ميزات عميقة، لكنها تعتبر غير قادرة على ضبط الميزات بشكل تكيفي عند قياس المسافات بين المجموعات، مما يؤدي إلى أداء محدود في سيناريوهات قلة العينات.

لتجاوز هذه العقبات، يقدم الباحثون نموذج DCSCR الذي يجمع بين طرق ISC التقليدية والنماذج العميقة. يهدف هذا النموذج إلى تعلّم تمثيلات الميزات على مستويين: المستوى الإطاري (frame-level) والمستوى المفاهيمي (concept-level)، مما يُحسن من قدرة النموذج على قياس التشابهات بين المجموعات المختلفة.

يتكون نموذج DCSCR من ثلاث وحدات رئيسية؛ وحدة استخراج الميزات العميقة، وحدة تعلم المميزات العالمية، ووحدة التعلم القائم على تمثيل التعاون المحدد لكل فئة. تساعد هذه الوحدات في استخراج ميزات محلية وعالمية، مما يمنح النموذج القدرة على التكيف وتحسين الأداء في تصنيف الصور.

أجريت تجارب شاملة على عدة مجموعات بيانات معروفة في تصنيف مجموعات الصور القليلة، وأظهرت النتائج فعالية النموذج مقارنة ببعض أحدث خوارزميات تصنيف مجموعات الصور. يُعد هذا الابتكار خطوة هامة نحو تحسين دقة التصنيف في تطبيقات الذكاء الاصطناعي.