في عالم متسارع يتطلب استجابة فورية بعد الكوارث الطبيعية، يكشف البحث الجديد عن نموذج مبتكر يسمى 'SiamixFormer'، وهو نموذج شبكي سِيامي (Siamese) يعتمد بالكامل على الهيكلة التحويلية (Transformer). يهدف هذا النموذج إلى تحسين عملية كشف المباني وكشف التغييرات من خلال دمج الصور الملتقطة قبل وبعد الكارثة.

تحتاج عمليات التخطيط الحضري وإعادة الإعمار إلى دقة عالية في تحديد الأماكن المتضررة. ولكن، عادة ما تعتمد النماذج الحالية على صورة واحدة فقط (صورة ما قبل الكارثة) مما يؤدي إلى تقليل الأداء عند وجود دمار في المباني. يعتمد 'SiamixFormer' على فلسفة جديدة، حيث يستخدم الصور السابقة واللاحقة معًا كمدخلات.

يأتي النموذج بهيكلية معقدة تحتوي على اثنين من الترميزات (Encoders) وأرشفة هيكلية تحويلية (Hierarchical Transformer Architecture). تتم معالجة كل مرحلة من مراحل الترميزات بواسطة محول زمني (Temporal Transformer) لدمج الميزات بطريقة تتيح توليد الاستعلام من الصور السابقة وتوليد المفتاح والقيمة من الصور اللاحقة. ويعتبر هذا الاستخدام للمحول الزمني ميزة إضافية تعزز فهم النموذج للميزات على نطاق واسع مقارنة بأجهزة CNN التقليدية.

تم تقييم أداء نموذج 'SiamixFormer' على مجموعات بيانات متعددة مثل xBD وWHU لكشف المباني، وعلى مجموعة LEVIR-CD ومجموعة CDD لكشف التغييرات. وقد أظهر النموذج أداءً تفوقيًا، مما يجعله رائدًا في مجاله.

بهذا الابتكار الاستثنائي، يصبح 'SiamixFormer' ركيزة مهمة للأبحاث المستقبلية في مجالات الذكاء الاصطناعي وإعادة الإعمار, مما يعد بفتح آفاق جديدة في كيفية تعامل البشر مع الكوارث الطبيعية.