في عصر تتطور فيه تقنيات الذكاء الاصطناعي بشكل سريع، يبرز مفهوم التصنيف الدقيق للنفايات كأحد التحديات الأساسية في المجالات الصناعية وقيادة السيارات الذاتية. إذا كنت تعتقد أن الحصول على بيانات معنونة للتصنيف الدلالي (Semantic Segmentation) أمر عادي، فأنت مخطئ! إنه أمر مكلف وصعب التطبيق بشكل واسع. ولكن الآن، تقدم لنا تقنية جديدة تدعى "أنظمة الملاحظات الافتراضية عبر نماذج متعددة" حلولًا من شأنها تسريع هذه العملية.

تعمل هذه التقنية على تطوير خط إنتاج ذاتي يعتمد على نماذج أساسية مثل نموذج SAM الذي ينشئ مقترحات مناطق غير معينة للفئة. ومن ثم، يستخدم نموذج EVA-CLIP لربط تسميات دلالية تعتمد على تشابه النصوص والمناطق. يُضاف إلى ذلك عنصر تصفية الثقة لضمان استخدام تسميات موثوقة فقط في تدريب نموذج التقسيم.

كما يُمكن استخدام نموذج BLIP كخيار إضافي للتحقق من المناطق غير الواضحة على أساس القوام اللغوي، ما يساهم في تحسين جودة التسميات الافتراضية دون تغيير بنية النظام ككل. نُفذت التجارب على تحولين مختلفين، الأول من البيئات الاصطناعية إلى البيئات الواقعية في مجال قيادة السيارات الذاتية، والثاني كان التركيز الأساسي على التصنيف الصناعي للنفايات من المختبر إلى المصنع.

أظهرت النتائج أنه ليس هناك عدد كبير من التسميات الافتراضية، بل جودة تلك التسميات هي التي تحدد نجاح العملية التعليمية الذاتية في وجود تحول. وهذا يفتح آفاقًا جديدة للتطبيقات الهامة، مما يُعزز من إمكانية الحصول على تصنيفات آلية موثوقة في أشد التطبيقات أهمية.