في مجال استكشاف الموارد الجيولوجية، يعتبر تصنيف الصور المعدنية عاملاً أساسياً يساهم في تحقيق تقدم ملموس. ومع ذلك، فإن التباين الكبير في مظهر المعادن والتشابه العالي بين الفئات يعقدان هذه العملية بشكل ملحوظ. هنا تأتي أهمية تقنيات الذكاء الاصطناعي الحديثة مثل RouteGraph-Mona.

هذه التقنية، المتمثلة في “معالج البصر متعدد الوظائف” (Multi-cognitive Visual Adapter - Mona)، تمثل ابتكاراً يتعامل بذكاء مع نماذج الرؤية المدربة مسبقاً من خلال ضبط عدد قليل من المعلمات فقط. ولكن Mona كانت تواجه تحدياً نتيجة لتجميعها الثابت لاستجابات من مقاييس متعددة، مما يحد من قدرتها على التكيف مع تفضيلات النطاق الخاصة بالعينات ويؤدي إلى ارتباك بين الفئات المعدنية المتشابهة.

هنا يأتي الابتكار في RouteGraph-Mona، حيث تمثل منهجية تعديل جديدة لخوارزمية Mona السابقة. تعتمد هذه التقنية على تنظيم المسار بشكل خفيف، مما يسمح بتحديد هيكل خاص لكل صورة يمكّن من التقاط تفضيلات الصور بناءً على المقاييس المخصصة. حيث يتم اختيار الفروع بشكل ديناميكي، مما يمنح Flexibility إضافية في لمعالجة الصور.

تهدف تقنية RouteGraph-Mona إلى تعزيز الدقة بين الفئات المتشابهة بصرياً من خلال تطبيق نقاط استناد بصرية متسقة مع الفئة، بالإضافة إلى هوامش مقاربة تساهم في تعزيز الفصل بين الفئات المعدنية المتشابهة. وقد أثبتت التجارب على ثلاث مجموعات بيانات عامة للصور المعدنية مع دعم من نموذجين بصريين أن RouteGraph-Mona تتجاوز أداء Mona بشكل متكرر من حيث الدقة المتوسطة، كما أنها تنافس بقوة مع أهم طرق الضبط المتقدمة.

هل أنتم متحمسون لمتابعة التطورات الجديدة في مجال تصنيف الصور المعدنية؟ شاركونا آراءكم في التعليقات!