ترفندی در استنتاج که مدل‌های بینایی ماشین را تیزبین‌تر می‌کند

تصور کنید مدل هوش مصنوعی شما یک پهپاد کوچک را در آسمانی شلوغ نادیده می‌گیرد، صرفاً چون تصویر بیش از حد متراکم است. خبر خوب این است که برای حل این مشکل، نیازی به مدل‌های بزرگ‌تر یا آموزش‌های هزینه‌بر ندارید.

ViCrop-Det یک چارچوب استنتاج (Inference) است که بدون نیاز به حتی یک به‌روزرسانی گرادیان، مشکل تخریب ویژگی‌های محلی در تصاویر متراکم را حل می‌کند. به نقل از مقاله‌ای که در ۳۰ آوریل ۲۰۲۶ در arxiv.org منتشر شد، این سیستم با استفاده از «آنتروپی توجه» (Attention Entropy)، نواحی با عدم قطعیت بالا را شناسایی و به‌صورت پویا برش می‌زند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های بینایی مبتنی بر ترنسفورمر (Transformer) اشاره کردیم، این معماری‌ها در درک کلی عالی هستند اما در مواجهه با اهداف میکروسکوپی در مناطق متراکم، به دلیل میدان‌های پذیرنده (Receptive Fields) یکنواخت، دچار ضعف می‌شوند.

پیاده‌سازی‌های فنی کلیدی این ابزار عبارتند از:

• آنتروپی توجه مکانی (Spatial Attention Entropy - SAE): ابزاری برای ارزیابی ابهام مکانی محلی.
• مسیریابی مکانی پویا (Dynamic Spatial Routing): اختصاص بودجه محاسباتی صرفاً به نواحی با برجستگی هدف (Saliency) بالا و عدم قطعیت زیاد.
• تزریق فرکانس بالا (High-Frequency Injection): بازیابی ویژگی‌های ریزدانه از طریق کوچک کردن ناحیه اعتماد و تزریق مشاهدات محلی.

بر اساس مستندات این پژوهش، در ارزیابی‌های گسترده روی مجموعه‌داده‌های VisDrone و DOTA-v1.5، این چارچوب توانست ۱ تا ۳ درصد mAP@50 را به مدل‌های RT-DETR-R50 و Deformable DETR اضافه کند. این جهش عملکردی تنها با هزینه اندک ۲۰ تا ۲۳ درصد افزایش تأخیر (Latency) به دست آمده است.

در مجموعه‌داده MS COCO، محققان مشاهده کردند که دقت در اشیاء کوچک ($AP_{S}$) بهبود یافته، در حالی که دقت در اشیاء متوسط و بزرگ ثابت مانده است. این یعنی سیستم بدون تخریب پیش‌فرض‌های مکانی کلی، جزئیات ریز را اصلاح می‌کند.

اما این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این استراتژی مسیریابی پویا بر ناوبری پهپادهای خودگردان را در گزارش بعدی بررسی خواهیم کرد.

گام بعدی شما

• بررسی امکان ادغام ViCrop-Det در خط‌لوله‌های رایانش لبه (Edge Computing) برای مدیریت رزولوشن‌های متغیر.
• مقایسه عملکرد این روش با متدهای سنتی برش تصویر (Tiling) در محیط‌های عملیاتی.
• تحلیل اثر آنتروپی توجه بر کاهش نرخ توهمات بصری در مدل‌های تشخیص شیء.