في عالم الذكاء الاصطناعي، تمثل تعزيزي البيانات (Data Augmentation) خطوة أساسية لتحسين دقة النماذج في تصنيف الصور. ولكن، ماذا لو كانت هذه التعزيزات لا تتناسب مع طبيعة البيانات المستخدمة، مثل أنماط تداخل الليزر (Laser Speckle patterns)؟

تتمثل الفكرة الأساسية في أن أنماط التداخل الليزري ليست مجرد قوام عشوائي، بل تنبع من تداخل متناسق يحمل محتوى تمييزي يُستند إلى إحصاءات مكانية وترددية هيكلية عشوائية. عكفت دراسة حديثة على دراسة تأثير الاضطرابات المنضبطة لتعزيز البيانات على تصنيف المواد المعتمدة على أنماط تداخل الليزر باستخدام مجموعة بيانات SensiCut.

في هذه الدراسة، تم تدريب نموذجين معروفين، وهما ResNet18 و EfficientNet-B0، ضمن إطار عمل تعزيزي برامتراتي يتضمن تطبيق مجموعة من التغييرات مثل التدوير، والتشويش الغاوسي (Gaussian Blur)، والضوضاء المستقلة، وغير ذلك.

أظهرت النتائج أن تطبيق التشويش الغاوسي كان له تأثير سلبي قوي على الأداء، مما يدل على أن الفلترة منخفضة التمرير تُقلل من التفاصيل المهمة لتفريق المواد. في المقابل، أثبتت التغيرات المكانية التي تحافظ على هيكل تداخل الليزر على أنها الأكثر فائدة، حيث ساهمت في تحسين القوة في كل من النموذجين.

تشير هذه النتائج إلى أهمية تصميم تعزيزات ذكية تدرك الفيزياء الكامنة وراء علم البصريات المتماسك، مما يجعل عملية التعزيز أكثر فعالية في تصنيف المواد بالاعتماد على تداخل الليزر.

هل تتوقعون أن يفتح هذا البحث آفاق جديدة في استخدام التقنيات الليزرية؟ شاركونا آراءكم!