في خطوة غير مسبوقة نحو تحسين دقة التعرف على النباتات، أطلق فريق DS@GT ARC حلهم الذي حقق المركز الثالث في تحدي PlantCLEF 2026. تتمحور هذه التقنية حول قدرة الأنظمة على تحديد جميع الأنواع الموجودة في صور عالية الدقة (حوالي 3000 × 3000 بكسل) لمواقع الغطاء النباتي من خلال تدريبها فقط على صور فردية لنباتات واحدة.

تعتمد استراتيجية التحليل على مصنف (classifier) DINOv2 ViT-L/14 المحسّن، حيث يتم تقسيم الصور إلى بلاطات متعددة المقاييس (multi-scale tile decomposition)، مما يسمح بتحليل دقيق لكل بلاطة. يتم دمج التنبؤات لكل بلاطة باستخدام تقنيات استرجاع متقدمة مثل FAISS kNN، التي تُعزز أيضًا بمعلومات زمنية مستندة إلى المصادر عبر زيارات متكررة للنقاط القديمة.

أحد الجوانب المبتكرة في هذه الطريقة هو استخدام معلومات جغرافية وارتفاعات مأخوذة من بيانات التدريب، مما يُضفى دقة على التوقعات. وقد أظهرت النتائج أن تقنيات الحد من تأثير البيئة (habitat-fit demotion) وتجميع المقياس المتعدد كانت من أكبر المساهمين في تحسين النتائج.

ومع ذلك، لم تنجح بعض الاتجاهات التدريبية المتكاملة في تحسين الأداء، مثل تقنية المتحول عبر المناطق مع ضخ مشتت ضوضائي على مجموعة بيانات LUCAS. كما أن تقنية تحسين لحظات الاستنتاج باستخدام قصات تقسيم موجهة (instance-aware segmentation crops) لم تؤدِ إلى تحسينات ملحوظة.

المثير أن الحل الذي تم تقديمه وصل إلى فئة ماكرو-F1 بمعدل 0.43902، محققًا المركز الثالث، بينما كانت الإعدادات غير المُختارة من نفس الطريقة قد سجلت أكثر من 0.45 في المجموعة الخاصة. يمكن الاطلاع على الكود الخاص بهذا المشروع عبر GitHub هنا.

كيف ترى إمكانيات هذه التقنية في تحسين مجال الزراعة؟ شاركونا آرائكم في التعليقات!