كشف الكائنات شبه المراقبة الموجهة بالكثافة في الصور الجوية

إحدى العوائق الرئيسية في تدريب كاشفات الكائنات الحديثة تكمن في الحاجة إلى صور مُعلَّمة، حيث يجب إنشاء تسميات مربعة محيطة (bounding box annotations) لكل كائن موجود في الصورة. وتتفاقم هذه العقبة في صور الطيران الجوي، حيث يتعين على المُعلّقين تسمية كائنات صغيرة غالبًا ما تكون موزعة في مجموعات متقاربة ضمن صور ذات دقة عالية. في الآونة الأخيرة، أصبح نهج "المعلم المتوسط" (mean-teacher)، الذي يُدرَّب باستخدام تسميات وهمية (pseudo-labels) وتوافق التحويلات الضعيفة-القوية (weak-strong augmentation consistency)، شائعًا في كاشفات الكائنات شبه المُعلَّمة. ومع ذلك، قد لا يؤدي التكييف المباشر لهذا النوع من الكاشفات شبه المُعلَّمة للصور الجوية، التي تحتوي غالبًا على كائنات صغيرة متجمعة، إلى نتائج مثلى. في هذا البحث، نقترح كاشفًا شبه مُعلَّمًا مُوجَّهًا بالكثافة (density crop-guided semi-supervised detector) يُحدِّد مجموعات الكائنات الصغيرة أثناء التدريب، ويتبنّى هذه المجموعات لتحسين الأداء أثناء الاستنتاج. أثناء التدريب، تُستخدم قطع الصور (image crops) التي تم تحديدها من الصور المُعلَّمة وغير المُعلَّمة لتعزيز مجموعة التدريب، مما يزيد من احتمالية اكتشاف الكائنات الصغيرة وينشئ تسميات وهمية جيدة لهذه الكائنات في الصور غير المُعلَّمة. أما أثناء الاستنتاج، فإن الكاشف لا يكتفي باكتشاف الكائنات المطلوبة، بل يُحدِّد أيضًا المناطق ذات الكثافة العالية للكائنات الصغيرة (تسمى "قطع الكثافة" أو density crops)، بحيث يتم دمج النتائج المستمدة من الصورة الأصلية مع تلك المستمدة من قطع الصور، ما يؤدي إلى تحسين عام في دقة التنبؤ بالكائنات، خاصةً الكائنات الصغيرة. أظهرت الدراسات التجريبية على معايير شهيرة مثل مجموعتي بيانات VisDrone وDOTA فعالية الكاشف المقترح، حيث حقق تحسنًا متوسطًا يزيد عن 2% مقارنةً بالأساسيات المُعتمدة على نموذج المعلم المتوسط (mean-teacher) من حيث دقة COCO-style AP. يمكن الوصول إلى الشيفرة المصدرية للنموذج عبر الرابط التالي: https://github.com/akhilpm/DroneSSOD.