في عالم يعتمد بشكل متزايد على الذكاء الاصطناعي في التحليل الدقيق للصور، برزت مشكلة انحراف خرائط التركيز بعد دوران الصور. فعند استخدام تقنيات مثل Grad-CAM، قد يحدث انحراف في الحرارة الممتدة، حتى عندما تبقى التوقعات دون تغيير. في مجالات مثل علم الأمراض وعلم التصوير الجوي، هذا الانحراف يشكل تحديًا كبيرًا، حيث يمكن أن يؤثر سلبًا على موثوقية التحليلات.

وفي هذا السياق، قام الباحثون بإجراء دراسة متعمقة لتحديد ما إذا كان هذا الانحراف إشارة حقيقية أم ضجيجًا ناتجًا عن عملية CAM. عبر قياس الاستقرار عند كل مرحلة من مراحل المعالجة، توصلوا إلى أن الأوزان القنوية أثبتت استقرارًا أكبر عند الدوران في مرحلة ResNet-50. كان الاستقرار مفاجئًا، حيث أوضح أن حركة الترخيص في الصور تتسبب في حذف الكثير من المعلومات ذات الأهمية.

لحل هذه المشكلة، تم تقديم EquiGrad-CAM، وهو إطار زمني جديد يتطلب طُرقًا تدريبية بدون الحاجة إلى إعادة تدريب النماذج. تقوم هذه التقنية بإخضاع كل عرض للصور المعدلة إلى إطار مشترك، وتحسب ومتوسط الحسابات لتصل لاعتماد أكبر على مخرجاتها. ووفقًا للنتائج، فإن EquiGrad-CAM يؤدي إلى رفع الاستقرار بنسبة تصل إلى 247% مقابل Grad-CAM في بعض الحالات، مما يجعل التحليلات أكثر دقة وقوة.

لا يعد EquiGrad-CAM مجرد تقنية ثورية، بل يسهم أيضًا في تصنيف التحليلات بناءً على مدى تكرارية النتائج، مما يدعم تفسيرات أكثر قابلية للفهم والثقة. في ظل هذه الإنجازات، يُظهر Future AI إمكانيات مثيرة في تقديم رؤى دقيقة وسريعة عبر طيف واسع من التطبيقات.