يُعتبر اكتشاف المدارس من الأمور الحيوية التي تدعم المبادرات التعليمية، بما في ذلك تخطيط البنية التحتية وتوسيع الاتصال بالإنترنت في المناطق المحرومة. ومع ذلك، تواجه العديد من المناطق حول العالم تحديات بسبب السجلات الرسمية القديمة أو غير الكافية أو التي تفتقر إلى التوفر. يُعَد الاعتماد على الخرائط اليدوية جهدًا قيمًا، ولكنه يتطلب الكثير من العمل اليدوي ولا يمكن توسيعه بسهولة على المناطق الجغرافية الكبيرة.

للتغلب على هذه المشكلات، قدم الباحثون إطار عمل يعتمد على التعلم الضعيف (Weakly Supervised Framework) لاكتشاف المدارس من خلال التصوير الجوي، مما يقلل الحاجة إلى التعليقات البشرية ويساهم في الجهود العالمية لتخطيط الخرائط. تم تصميم هذه الطريقة خصيصًا للتعامل مع البيئات التي تعاني من نقص البيانات، حيث تعد التعليقات اليدوية نادرة للغاية.

تتضمن هذه التقنية خط أنابيب تلقائي لتسمية البيانات الذي يعتمد على النقاط الموضعية النادرة والتجزئة الدلالية (Semantic Segmentation) لتوليد أقنعة بنية تحتية، التي تُستخدم بعدها لتوليد صناديق حدودية (Bounding Boxes). باستخدام هذه الصور التي تم تسميتها تلقائيًا، يتم تدريب النماذج في مرحلة تدريب أولى للتعرف على شكل المدارس، وبعد ذلك يتم تعديل هذه النماذج باستخدام مجموعة صغيرة من الصور المعلّمة يدويًا.

تُظهر النتائج أداءً قويًا في اكتشاف الأجسام، خاصة في البيئات التي تعاني من نقص البيانات، حيث حققت النماذج نتائج واعدة باستخدام 50 صورة فقط تم تعليمها يدويًا، مما يُقلل بشكل كبير من الحاجة إلى التعليقات المكلفة. يدعم هذا الإطار المبادرات التعليمية والاتصال عالميًا، من خلال توفير طريقة فعّالة وقابلة للتوسيع لتخطيط المدارس من الفضاء. سيتم طرح جميع النماذج، وشفرة التدريب، والبيانات المعلّمة تلقائيًا للجمهور لتعزيز الأبحاث المستقبلية وتأثيرها في العالم الواقعي.