في عصر يتزايد فيه الاعتماد على الشبكات العصبية في مجالات حساسة مثل الرعاية الصحية، ووسائل النقل الذاتية، والطيران، تبرز الحاجة إلى ضمان موثوقية هذه الأنظمة. تعتبر الضمانات الرسمية للموثوقية ضرورة حتمية في هذه الصناعات، إذ تشير الدراسات الأخيرة إلى أن الطرق التقليدية للتحقق لا تزال تعاني من نقص الموثوقية أمام التغيرات الحركية الواقعية.

تواجه المشاكل المتعلقة بتحركات الكاميرا عائقًا كبيرًا في تطبيقات الرؤية الحاسوبية، حيث تشير الأبحاث الحالية إلى عدم كفاية الطرق المستخدمة للتحقق من استقرار الصور المُلتقطة. هنا يأتي دورنا؛ إذ نقدم تقنية جديدة للتحقق من قوة الشبكات العصبية ضد تحولات الحركة الثلاثية الأبعاد (3D motion perturbations) الناتجة عن حركة الكاميرا، مستندين إلى خصائص الاستمرارية في التحولات الهندسية.

قمنا بإنشاء خريطة مغلقة من وضعية الكاميرا إلى قيم البكسل، واستطعنا تطبيق تحسين Lipschitz على هذه التحولات لتحصيل حدود خطية صارمة لمستويات البكسل المتأثرة. يُمكن تطبيق طريقتنا على مشاهد ذات بنية مسطحة، مثل الأرضيات في الواقع المعزز، وعلامات المرور في القيادة الذاتية، أو أماكن العمل المسطحة في الروبوتات.

يُعد هذا العمل إنجازًا كبيرًا في تقديم التحقق الرسمي من التحولات الهندسية الم项目ة دون الحاجة إلى محاكاة معقدة أو نماذج بديلة. لقد أشرنا إلى أن تطبيقنا يوفر تسريعًا يصل إلى 89% وحدودًا أصغر بنسبة 7% مقارنة بالأعمال السابقة.

وفي اختبارنا على معيار VNN-COMP، كشفنا عن نقاط ضعف منهجية تجاه التحولات الهندسية. كما عرضنا دراسة حالة واقعية لنموذج تصنيف مدرج الطائرات، حيث أبرزنا الثغرات العملية المتعلقة بحركة الكاميرا، مما يعكس التحديات الأساسية في اعتماد النماذج المتعلمة.

لمن يرغب في الاطلاع على البيانات والشيفرات المصدرية، يمكنكم الوصول إليها عبر هذا الرابط.