في السنوات الأخيرة، حظي اكتشاف الأجسام القليلة اللقطات (Few-Shot Object Detection) باهتمام واسع من الباحثين والخبراء في الذكاء الاصطناعي. حيث ظهرت العديد من الخوارزميات الممتازة للتعامل مع هذا التحدي، لكن التحدي الأكبر ظل في الأداء المنخفض بسبب الاعتماد على تصنيف القليل من اللقطات (Few-Shot Classification).

تتجه الأبحاث الجديدة في هذا المجال نحو معالجته مشكلة توزيع الاقتراحات غير المتوازن بين الفئات الجديدة (Novel Classes) والفئات الأساسية (Base Classes). حيث تم اقتراح نهج تحسين الاقتراحات (Proposal Refinement) في مراحل التدريب المختلفة. وبشكل خاص، تم تصميم خسارة تحسين (Refinement Loss) لمرحلة التدريب الأساسية لزيادة حساسية النموذج تجاه الفئات الجديدة، وتم تقديم فرع تحسين (Refinement Branch) كفرع مساعد لشبكات اقتراح المناطق (Region Proposal Networks) لإنتاج المزيد من الاقتراحات الجديدة في مرحلة ضبط النماذج (Fine-Tuning Phase).

عن طريق إعادة توازن توزيع الاقتراحات، تقدم هذه الطريقة مقاييس أداء تتفوق على الطرق الأساسية بنحو 1% إلى 6% على المعايير الحالية، وذلك دون زيادة في زمن الاستدلال. وقد أثبتت التجارب المكثفة أن هذه الطريقة تصل بنا إلى مستوى جديد من الأداء المتميز في مهام اكتشاف الأجسام القليلة اللقطات وفقًا لأحدث المعايير.

إذا كنت مهتمًا بتطورات الذكاء الاصطناعي وكيف يمكن لهذه التقنية تغيير مستقبل اكتشاف الأجسام، فلا تتردد في مشاركتنا آراءك وخبراتك في هذا المجال المثير!