في عالم الاستشعار عن بعد، يعد كشف التغيرات (Change Detection - CD) من المهام الأساسية التي تهدف إلى مراقبة تطور استخدام الأراضي عبر الزمن. إلا أن العمليات التقليدية تعاني من الاعتماد الكبير على التصنيفات المحددة مسبقاً. هنا تأتي أهمية كشف التغيرات المفتوحة الفئات (Open-Vocabulary Change Detection - OVCD) الذي يسعى إلى تقليل تلك الاعتمادية.

تعتبر الطرق الحالية لكشف التغيرات المفتوحة الفئات التي لا تعتمد على التدريب تعتمد بشكل أساسي على النموذج CLIP لتحديد الفئات. لكنها تحتاج إلى نماذج إضافية مثل DINO لاستخراج الميزات. ومع ذلك، فإن دمج نماذج عدة غالباً ما يسبب مشاكل في تطابق الميزات ويجعل النظام غير مستقر.

مؤخراً، تم تقديم نموذج Segment Anything Model 3 (SAM 3)، الذي يجمع بين قدرات التقسيم والتعرف ضمن نموذج واحد قابل للتوجيه. هذا الابتكار يفتح آفاقاً جديدة لمهمة كشف التغيرات المفتوحة الفئات.

نقدم في هذا البحث إطار العمل OmniOVCD، المصمم خصيصاً للاستخدام في OVCD. باستخدام مخرجات SAM 3 المنفصلة، نقترح استراتيجية الدمج التآزري للمخرجات إلى فصل المثيل (Synergistic Fusion to Instance Decoupling - SFID). تبدأ هذه الاستراتيجية بدمج المخرجات الدلالية، والمثيلة، والتواجد من SAM 3 لإنشاء أقنعة استخدام الأراضي، ثم تفككها إلى أقنعة مثيلة فردية للمقارنة بين التغيرات.

هذا التصميم يحافظ على دقة عالية في التعرف على الفئات ويضمن ثباتاً على مستوى المثيلات عبر الصور. نتيجة لذلك، يمكن للنموذج توليد أقنعة تغييرات دقيقة.

تظهر التجارب على أربع معايير عامة (LEVIR-CD، WHU-CD، S2Looking، وSECOND) أداءً رائداً، حيث حقق النموذج نتائج عالية في مقاييس IoU تصل إلى 67.2 و66.5 و24.5 و27.1 (متوسط الفئات) على التوالي، متفوقاً على جميع الأساليب السابقة. الكود متاح على [هنا](https://github.com/Erxucomeon/OmniOVCD). ما رأيكم في هذا التطور الرائع في مجال كشف التغيرات؟ شاركونا في التعليقات!