في عالم الذكاء الاصطناعي، تمثل توقعات تفاعلات الإنسان مع الأشياء خطوة جديدة ومثيرة، حيث أعلنت VISTA – وهي أداة جديدة تم تطويرها خصيصاً لتحدي صحتها في سياق المقاطع الفيديوهات الشخصية – عن تحقيقها المركز الأول في تحدي Ego4D أثناء فعالية EgoVis 2026.

تعمل VISTA كنموذج دمج فريد يجمع بين تصميم StillFast والنماذج المعتمدة على سياق زمني قصير، مما يمكّنها من توقع التفاعلات البشرية مع العناصر بشكل فعال. عند تقديمها لزمن معين في مقطع فيديو يتمركز حول شخصية معينة، تتمكن VISTA من التنبؤ بالتفاعل التالي، بالإضافة إلى تتبع معالم كل شيء مثال علبة، الفئة لشيء، الفعل، ووقت الاتصال المحتمل، مما يُظهر مستوى عالٍ من الدقة والثقة.

تعتمد VISTA على نموذج Faster R-CNN ResNet-50 FPN المدرب مسبقاً على مجموعة بيانات COCO لتوليد اقتراحات موضوعية من الإطار عالي الدقة الأخير. بينما يقوم أحد فروعها الزمنية الثابتة، V-JEPA 2.1، باستخلاص سياق الفيديو ذي الطابع الشخصي. يتم حقن التمثيل الزمني في مسار الكشف من خلال تعديل الخصائص ودمج السياق عند مستوى المنطقة المثيرة للاهتمام.

ومع تداخل هذه الميزات المقترحة، يتم تمريرها إلى توقعات STA متعددة الرؤوس لتحسين الصناديق، تصنيف الأسماء، تصنيف الأفعال، تقدير زمن الاتصال، وتقدير ثقة التفاعل. ولتحقيق ما هو أفضل، تم دمج التوقعات التكميلية لتحسين القوة والجدارة.

الأرقام التي جمعتها VISTA على خادم التحدي الرسمي أظهرت أنها قد حققت أول مكان في التحدي، مما يسلط الضوء على إمكانياتها القوية. لمزيد من التفاصيل، سيتم إطلاق شفرتها المصدرية قريباً على GitHub: https://github.com/CorrineQiu/VISTA.

ما رأيكم في هذا التطور المثير؟ هل تعتقدون أن VISTA ستغير قواعد اللعبة في مجال الذكاء الاصطناعي؟ شاركونا في التعليقات.