OBB-PBD يعلّم LocateAnything-3B العثور على الأجسام المُدارة: rotIoU ارتفع من 0,125 إلى 0,303

درّب الباحثان Chang Woo Song وYeong Jun Koh من Chungnam National University نموذج LocateAnything-3B على العثور على الأجسام في الصور الجوية انطلاقًا من وصف نصي، وإحاطتها فورًا بإطارات مُدارة. وعلى معيار AVVG ارتفع متوسط rotIoU من 0,1253 لدى النموذج الأساسي في وضع zero-shot إلى 0,303 ± 0,012 (المتوسط والانحراف المعياري عبر ثلاث بذور تدريب). نُشر العمل في مجلة Remote Sensing، المجلد 18، العدد 20، المقالة 3535. والشيفرة وجميع نقاط التحقق التسع متاحة للجميع.

لماذا لا يناسب الصندوق الأفقي المنظر العلوي؟

في الصور العادية تقف الأجسام غالبًا بوضع عمودي تقريبًا، ويعمل الإطار الأفقي ذو الإحداثيات الأربعة بكفاءة مقبولة. أما في صور الطائرات المسيّرة والأقمار الاصطناعية فالوضع مختلف تمامًا. فقد تكون السيارة في موقف أو عند تقاطع مدارة بأي زاوية، والإطار المحاذي للمحاور يلتقط كمًّا كبيرًا من الخلفية والسيارات المجاورة. وتنخفض مقاييس التقاطع تبعًا لذلك بشكل طبيعي.

كما تُخرج معظم نماذج grounding الإحداثيات بالتتابع، رمزًا بعد رمز. أما Parallel Box Decoding (PBD) المدمج في LocateAnything-3B فيعمل بطريقة مختلفة: تُتنبأ جميع الخانات الهندسية في تمريرة أمامية واحدة. لكن هذه الكتلة مصممة لأربعة أرقام فقط. وكانت مهمة المؤلفين إدخال الزاوية في واجهة الكتل هذه دون خسارة السرعة.

ست خانات بدل أربع

يُوصف الصندوق الموجّه الآن بست قيم: cx وcy وw وh وsin2θ وcos2θ. وتُرمَّز الزاوية عبر الوسيط المضاعف. فدوران المستطيل بمقدار 180° يعطي الشكل نفسه، ولذلك يُحدث التنبؤ المباشر بالزاوية θ انقطاعًا عند حدّ المجال. ويزيل الزوج sin2θ وcos2θ هذا الالتباس، ثم تُستعاد الزاوية نفسها من هذين الرقمين. ويظل فك الترميز يتم في تمريرة واحدة.

وتستحق منهجية التحقق اهتمامًا خاصًا. يكتب المؤلفون إنهم لم يعتمدوا على منحنى الخسارة المتناقص. فقد أجروا اختبارات ضابطة بخلط الصور والمطالبات (prompts)، إضافةً إلى اختبارات الرؤية والتسرّب. وبيّنوا أن النموذج المصحَّح يعتمد على الصورة وعلى نص الطلب معًا، وليس على إحصاءات المطالبات وحدها. وفي مجال يسهل فيه الحصول على خسارة جميلة ونموذج عديم الفائدة، تُعد هذه ممارسة سليمة مهمة.

ماذا تُظهر الأرقام؟

• المعيار: AVVG (aerial vehicle visual grounding)، والأهداف فيه مُدارة فعلًا بزوايا مختلفة.
• مجموعة الاختبار: 6139 سجلًا كاملة على جميع الصور البالغ عددها 120.
• النموذج الأساسي في وضع zero-shot: rotIoU يساوي 0,1253.
• OBB-PBD: rotIoU يساوي 0,303 ± 0,012 عبر ثلاث بذور.
• مساهمة الاتجاه: التدريب على الصناديق المُدارة نفسها، لا على أغلفتها المحاذية للمحاور، يضيف +0,055 ± 0,008 إلى rotIoU مقارنةً بالضبط المطابق. وفترات الثقة 95% لكل بذرة على حدة لا تشمل الصفر.
• توسيع الكتلة (block expansion) وحده، دون تدريب على الاتجاه، لا يعطي زيادة في rotIoU تختلف عن الصفر.
• صيغة الصندوق: (cx, cy, w, h, sin2θ, cos2θ).
• النموذج الأساسي: LocateAnything-3B مع Parallel Box Decoding.
• النشر: Remote Sensing 18(20), 3535؛ مع إتاحة الشيفرة و9 نقاط تحقق.

النقطة الأخيرة هي الأكثر إفادة. فالمكسب لا يأتي من إضافة معمارية، بل مما يُعلَّم للنموذج. فإذا مُنح خانات إضافية لكنه دُرّب على إطارات أفقية، فلن تتغير النتيجة.

ما الذي يمكن الاستفادة منه عمليًا؟

لا تزال قيمة rotIoU المطلقة البالغة 0,303 بعيدة عن السقف. وهي أقرب إلى نقطة انطلاق عملية منها إلى منتج جاهز لمراقبة المناطق. ومع ذلك، فلها عدة مزايا عملية. فالنهج يناسب الفرق التي تعمل مع التصوير الجوي وصور الأقمار الاصطناعية: للبحث عن المركبات بحسب الوصف، وإحصاء مواقف السيارات، وتحليل حركة المرور. وتتيح نقاط التحقق المفتوحة عدم تدريب النموذج من الصفر، بل مقارنته بالنموذج الأساسي لديك على بياناتك الخاصة. ويمكن نقل مخطط sin2θ وcos2θ إلى مفككات كتلية أخرى يلزم فيها إضافة زاوية دون كسر واجهة التمريرة الواحدة.

وتستحق منهجية الضوابط أن تُكرَّر أيضًا. فالضبط المطابق المحاذي للمحاور وخلط الصور مع المطالبات يفصلان المساهمة الفعلية للاتجاه عن أثر المعاملات الإضافية. وفي أي عمل على grounding في نطاقات غير قياسية، هذه طريقة منخفضة التكلفة للتأكد من أن النموذج ينظر فعلًا إلى الصورة.