TinyFormer: ثورة في الكشف عن الأجسام الصغيرة بأداء مذهل!

تُعتبر مشكلة الكشف عن الأجسام الصغيرة من أبرز التحديات في تقنيات الكشف الحديثة، حيث تُظهر كلا من نماذج YOLO ونماذج DETR صعوبات ملحوظة في هذا المجال. لعلاج هذه الإشكالية، ظهر الابتكار الجديد المعروف باسم TinyFormer، الذي يجمع بين طريقة YOLO التقليدية مع آليات DETR الرائدة.

تستفيد نماذج YOLO من التنبؤ الكثيف الفعال، ولكن قد يؤثر هيكلها القوي في خفض دقة التعرف على الأجسام الصغيرة. بينما تسعى نماذج DETR للتغلب على مرحلة ما بعد معالجة اليدوي من خلال تنبؤ المجموعة، ولكن لا تزال تعاني من معامل الخشونة الذي يُفقد التفاصيل الدقيقة.

يقدم TinyFormer حلاً مميزاً من خلال تقديم نموذج يكسر الحواجز بين الأسلوبين التقليدي والحديث، حيث يتضمن تمثيلات ViT المفيدة، ونموذج تنبؤ مجموعة خالي من الـ NMS، وعمود هرمي على نمط YOLO لتحسين الكشف عن الأجسام الصغيرة.

أحد الميزات الجديدة المبتكرة هو الوحدة المتوازية للتكامل ثنائي التركيب (Parallel Bi-fusion Module)، التي تُنشئ ممرات عالية الدقة من المراحل السطحية إلى الهرم العددي. كما تم تصميم مُعدل دلالي مكاني (Spatial Semantic Adapter) لتعويض الفقد المكاني الناتج عن التجزئة الخشنة.

أثبتت التجارب على مجموعة بيانات MS COCO قدرة TinyFormer على التغلب بانتظام على نماذج YOLO الجديدة ونموذج DEIMv2 القوي، مع تحقيق TinyFormer-X نسبة 58.4% AP دون استخدام وحدة التكامل، وبإضافة الوحدة، زادت النسبة إلى 58.5% مع ارتفاع قدرته على الكشف عن الأجسام الصغيرة بنسبة 1.6%.

فاق TinyFormer-X-PBM، بعد تدريبه على Objects365، تسجيل AP يبلغ 60.2%، مُتفوقًا على RF-DETR وغيرها من النماذج المدربة مسبقاً مع عدد أقل من المعاملات وحسابات أقل.

تُظهر هذه النتائج كيف أن TinyFormer يُوفّر مزيجاً مثيراً بين دمج ميزات YOLO الكثيفة والتنبؤات المتكررة من DETR، مما يمنح دقة لا تُضاهى مع كفاءة عالية للكشف عن الأجسام الصغيرة في الوقت الحقيقي. لمزيد من المعلومات، يمكنكم زيارة TinyFormer على GitHub.