طريقة انتباه متناثر غير دلالي مفعّلة بالعناصر الديناميكية لكشف الأجسام الصغيرة في الاستشعار عن بعد

لماذا يهم رصد التفاصيل الصغيرة من الفضاء

من مراقبة المرور والاستجابة للكوارث إلى صحة المحاصيل والمراقبة الساحلية، باتت حياتنا الحديثة تعتمد بشكل متزايد على الصور الملتقطة من الطائرات والطائرات بدون طيار والأقمار الصناعية. ومع ذلك، فإن العديد من الأشياء المهمة في هذه الصور—كالسيارات والقوارب والأشخاص أو الهياكل الصغيرة—تشغل بضع بكسلات فقط. أمام شوارع المدينة المزدحمة والمياه المموجة أو الحقول المتقطعة، كثيرًا ما تفشل خوارزميات اليوم في رصد هذه الأجسام الصغيرة أو تخلط بينها وبين ضجيج الخلفية. تقدم هذه الدراسة طريقة جديدة لتعليم الحواسيب الانتباه بشكل أدق إلى التفاصيل البصرية الدقيقة، مما يسهل العثور على الأجسام الصغيرة جدًا في المشاهد الجوية المعقدة بشكل موثوق.

رؤية الأشياء الصغيرة في عالم ضوضائي

في صور الاستشعار عن بعد، يصعب التعرف على الأجسام الصغيرة لعدة أسباب. فهي تغطي بكسلات قليلة، وغالبًا ما تتداخل أو تتكدس معًا، وتظهر على خلفيات مملوءة بأنماط متكررة وظلال وانعكاسات. تميل كاشفات الأجسام التقليدية، حتى تلك المدعومة بالتعلّم العميق، إلى التركيز على أنماط عريضة عالية المستوى تعمل جيدًا للأجسام الأكبر في الصور اليومية لكنها ترتبك بسهولة عند المقياس الصغير. ونتيجة لذلك، تفوت العديد من الأهداف، خاصة عندما تكون الأجسام مخفية جزئيًا أو مكتظة أو محاطة بهياكل متشابهة المظهر.

نهج جديد من ثلاثة أجزاء للتركيز

لمعالجة هذه المشكلات، يقترح المؤلفون إطار كشف مبنيًا على ثلاثة أفكار متعاونة، كل واحدة تهدف إلى الحفاظ على الإشارات الضعيفة التي تتركها الأجسام الصغيرة في الصورة وتعزيزها. أولاً، يضيفون وحدة «انتباه متناثر غير دلالي» تنظر إلى رقع صغيرة من الصورة كل مرة وتركز على أساسيات مثل الحواف والأنسجة بدلًا من المعنى الشامل للمشهد. ثانيًا، يقدمون آلية «تفعيل عناصرية ديناميكية» تساعد طبقات مختلفة من الشبكة العصبية على مشاركة وتقوية قنوات المعلومات المهمة، خصوصًا تلك التي تشير إلى أهداف صغيرة مخفية في الضجيج. ثالثًا، يستخدمون بنية قائمة على تحويلات الموجة الانتشاريّة تعالج الميزات بشكل متوازٍ على مقاييس متعددة، مما يقلل فقدان التفاصيل الذي يحدث عادة عند تصغير الصورة مرارًا.

كيف يعيد الأسلوب الجديد تشكيل فهم الصورة

داخل الشبكة، تقسم وحدة الانتباه المتناثر غير الدلالي خرائط السمات إلى عدة كتل صغيرة وتحسب الانتباه فقط داخل كل كتلة محلية. هذا يجعل النموذج حساسًا للغاية للأنماط الطفيفة مثل محيط سقف سيارة أو أثر قارب صغير مع تقليل المشتتات القادمة من مناطق بعيدة وغير ذات صلة. ثم تعيد آلية انتباه القناة الديناميكية عبر الطبقات ترتيب وتداخل القنوات من أعماق مختلفة للشبكة بحيث يمكن للإشارات القوية من طبقة واحدة أن تعزز الاشارات الأضعف في أخرى. تضبط دالة تفعيل خاصة تتغير بسلاسة هذه الإشارات عنصرًا عنصرًا، ضاغطة القيم الشاذة مع الحفاظ على التباين المفيد، مما يساعد على استقرار التعلم دون خطوات تطبيع مكلفة.

الحفاظ على الإشارات الصغيرة عبر مقاييس متعددة

يتناول مكون طيّ الموجات الانتشاريّة ضعفًا رئيسيًا آخر في الالتفاف القياسي: أثناء تصغير السمات تدريجيًا لتلخيص مناطق أوسع، قد تختفي التوقيعات الهشة للأجسام الصغيرة. هنا، تمر السمات عبر عدة فروع متوازية، يلتقط كل منها نطاقات ترددية مختلفة—تقريبًا ما يتوافق مع الأشكال الخشنة والتفاصيل الدقيقة. من خلال تقريب مرشحات الموجة بواسطة كثيرات حدود فعالة، تستطيع الشبكة توسيع "مجال الرؤية" بينما تحافظ على الانتقالات الحادة والحواف التي تدل على وجود أهداف صغيرة. تُعاد تجميع هذه الميزات متعددة المقاييس لاحقًا بحيث يرى الكاشف السياق الواسع والدلائل المحلية الواضحة اللازمة لتمييز الأجسام عن الخلفيات المزدحمة.

تجريب المنهجية

قيّم الباحثون طريقتهم على مجموعتي بيانات عامّتين وتحدّيتين: VisDrone، التي تحتوي على مشاهد حضرية مزدحمة مُلتقطة بواسطة طائرات بدون طيار، وAI-TODv2، التي تركز على الأجسام الصغيرة جدًا في الصور الجوية. مقارنة بكاشف مرجعي شائع وعدّة بدائل متقدمة، اكتشف الإطار الجديد المزيد من الأجسام الصغيرة والمتوسطة، واستعاد المزيد من الأهداف المخفية جزئيًا، وقلّل الإنذارات الكاذبة الناتجة عن هياكل مُربكة مثل حواف المباني أو أعمدة الإنارة. على مجموعة VisDrone، زادت دقة الكشف الإجمالية بشكل ملحوظ مع الحفاظ على سرعة معالجة عملية، ولوحِظت مكاسب مماثلة على AI-TODv2، بما في ذلك للأهداف الصغيرة جدًا التي تكافح العديد من النماذج لرؤيتها على الإطلاق.

ما يعنيه هذا للاستشعار في العالم الحقيقي

للغير متخصصين، الرسالة الأساسية هي أن هذا العمل يقدم طريقة أكثر حرصًا في الحفاظ على التفاصيل لتمكين الحواسيب من دراسة الصور الجوية. من خلال توجيه الانتباه صراحة نحو الحواف والأنسجة، والجمع الذكي للمعلومات عبر طبقات الشبكة، وحماية الإشارات الهشة أثناء التصغير، يصبح من الأسهل العثور على الأجسام الصغيرة جدًا في المشاهد الحقيقية المزدحمة. يفتح هذا الباب أمام مراقبة أكثر موثوقية لحركة المرور والبنية التحتية والزراعة والنشاط البحري من الأعلى، ويوفر أساسًا تقنيًا يمكن للأنظمة المستقبلية البناء عليه—مع إمكانية التوسع إلى تتبّع الفيديو ورسم خرائط ثلاثية الأبعاد لأهداف صغيرة لكنها مهمة.

الاستشهاد: Liu, S., Bie, Y., Dong, Y. et al. A dynamic element-activated non-semantic sparse attention method for remote sensing small object detection. Sci Rep 16, 11577 (2026). https://doi.org/10.1038/s41598-026-39381-y

الكلمات المفتاحية: الاستشعار عن بعد, كشف الأجسام الصغيرة, صور جوية, آليات الانتباه, رؤية حاسوبية