يشهد عالم الذكاء الاصطناعي تقدمًا كبيرًا في تقنيات الكشف عن الأجسام (Object Detection) التي تغطي مجالات متعددة مثل القيادة الذاتية والمراقبة والروبوتات. ومع ذلك، كانت الأساليب التقليدية تعتمد على بنى معمارية ضخمة تركز على الدقة فحسب، مما يؤدي إلى مشكلات في سرعة الاستجابة وكفاءة الذاكرة. أحدث نموذج الكشف عن الأجسام بدون مصدر (Source-Free Object Detection: SFOD) الجديد المعروف باسم RT-SFOD تم تطويره بناءً على نموذج YOLOv10، الذي يتميز بكونه خاليًا من التصنيف غير الضروري ويقدم نتائج مميزة.

تتميز تقنية RT-SFOD بالدقة العالية وسرعة الأداء والقدرة على العمل بكفاءة مع مجموعة أقل من المعلمات مقارنة بالأساليب السابقة، حيث حقق زيادة تتراوح بين 1.4 و3.5% في دقة الكشف (mAP) مع تحقيق زيادة في الإنتاجية بمقدار 1.3 مرة.

ومع ذلك، تواجه بعض الأساليب التقليدية تحديات في الأداء عند تطبيق تقنيات تعليم المعلم الذاتي (Self-Training) على الكاشفات الثنائية الرأس (Dual-Head Detectors). تم اقتراح طرق جديدة مثل دمج لاختيار التوقيع المزدوج من خلال DHF (Dual-Head Pseudo-Label Fusion)، والذي يمكن أن يحسن دقة العلامات الوهمية ويعزز اكتشاف الأجسام المفقودة.

كما تم تقديم خسارة MARD (Multi-scale Adaptive Representation Diversification) للحفاظ على تباين سمات متعددة المقاييس، مما يحسن من فاعلية الكشف عن الأجسام في ظل تغيير النطاق. هذه الابتكارات تعيد تحديد معايير الأداء في أبحاث الكشف عن الأجسام، مما يدفع الحدود إلى آفاق جديدة من حيث سرعة الأداء والدقة.