تعتبر تقنية التعرف على خصائص المشاة (Pedestrian Attribute Recognition - PAR) جزءاً حيوياً من أنظمة المراقبة بالفيديو، حيث أنها تسهم في البحث الجنائي وأنظمة إعادة التحديد. ومع ذلك، تواجه هذه التقنية تحدياً أساسياً يتمثل في وجود اختلال شديد في توزيع الفئات، خصوصاً عند دمج مجموعات بيانات مثل PETA وPA-100K، حيث تمثل الصفات الأقل شيوعاً أقل من 1% من العينات الإيجابية.

هذا الاختلال يسبب تحديات كبيرة في عملية تحسين دالة الخسارة، مما يدفعنا إلى الإشارة إلى الظاهرة المعروفة بـ "فخ الفئة السلبية الأغلبية"، حيث يتم تجاهل الصفات النادرة. ومع ذلك، تقدم هذه الدراسة الجديدة تحليلًا شاملاً لتأثير الضوابط المتعددة للخسارة التركيزية (Multi-Label Focal Loss) من حيث المعلمات (alpha وgamma) باستخدام هيكل ResNet-18.

التكوين المثالي (alpha=0.50، gamma=2.0) حقق نتيجة F1 Macro تصل إلى 62.32%، مما يتفوق على المعايير التقليدية لدالة الخسارة، مع الحفاظ على أفضلية في معالجة الأمثلة الصعبة وديناميكيات التقارب. تميز نهجنا بالاستفادة من هندسة دالة الخسارة دون أي عبء حسابي في بيئات النشر.

كما تم تحديد "جدار الفقر" (Sparsity Wall)، وهو حد قاسي حيث تفشل عملية إعادة وزن الخسارة العالمية عندما تقل نسب العينات الإيجابية عن 0.1%، مما يتطلب تدخلاً على مستوى الحالة. هذه النتائج تفتح آفاقاً جديدة في تحسين أداء أنظمة التعرف وتعزيز الدقة.

في عالم متزايد التعقيد، كيف يمكن أن تؤثر هذه التقنيات على مستقبل أنظمة المراقبة؟ شاركونا آرائكم في التعليقات!