في عالم الذكاء الاصطناعي (AI)، تعتبر الإدراك واحدة من الاستخدامات الرئيسية التي تتفوق فيها الشبكات العصبية على الخوارزميات التقليدية. تأخذ أنظمة القيادة الذاتية (Automated Driving) مثالًا حيًا، حيث يمكنها الكشف عن المشاة بناءً على بيانات الصور وتجنبهم بشكل فعال. ومع ذلك، تظل جودة الصور أحد التحديات الكبرى التي تواجه هذه الأنظمة، حيث يعتمد أداؤها بشكل كبير على الدقة والوضوح في الصور المدخلة.

عندما تكون الصورة ذات جودة رديئة، نتيجة للتشويش مثل الضجيج أو الظلام، يصبح من الصعب الوصول إلى تنبؤات دقيقة. كما أنه قد تحدث أنواع مختلفة من الأخطاء، ولكل منها تأثيره على موثوقية النظام. فمثلاً، يكون الأمر أكثر أهمية في كثير من الأحيان أن تفشل في الكشف عن شخص موجود بدلاً من اكتشاف شخص غير موجود.

لذا، نهدف إلى تقديم نظام يمكنه تجنب أكثر الأخطاء حرجة حتى في حالات جودة الصور المنخفضة. لذلك، قمنا بتطوير نظام تدهور فاشل يتيح تقليل عتبة ثقة الشبكة بناءً على جودة الصورة المقدرة. هذا يمكّن النظام من الكشف عن الأجسام بشكل أكثر حذرًا في الحالات غير المؤكدة.

علاوة على ذلك، نقدم طريقة جديدة لتقدير جودة الصور الواردة، من خلال مقارنتها ببيانات التدريب باستخدام تدفقات التطبيع (Normalizing Flows). سنقوم أيضًا بإجراء تجارب لتطبيق هذه الطريقة على أحدث أنظمة الكشف عن الأجسام.

في الختام، نعتمد استراتيجية تصميم مخصصة لأنظمة الذكاء الاصطناعي في القيادة الذاتية، مما يسمح لها بالتعامل مع بيانات المدخلات ذات الجودة الضعيفة دون الحاجة إلى الاعتماد على حلول بديلة. هذه التدابير تعزز الثقة في أنظمة الذكاء الاصطناعي، مما يؤدي إلى زيادة الطلب على هذه التكنولوجيا في المستقبل.

ما رأيكم في قدرة أنظمة الذكاء الاصطناعي على التعامل مع جودة الصور الضعيفة؟ شاركونا في التعليقات.