يمثل تصنيف الصور المهمة الجوهرية في مجال الرؤية الحاسوبية، ويحمل قيمة تطبيقية واسعة في مجالات مثل التشخيص الطبي والنقل الذكي والمراقبة الأمنية، وقد برز البحث في البنية العصبية بوصفه منهجًا واعدًا لأتمتة تصميم الشبكات العصبية دون تدخل يدوي مكثف، غير أن قدرة البحث التفاضلي في البنية العصبية على التقاط المعلومات المحلية تظل ضعيفة، وهو ما يحد من دقة الخوارزميات ومن قدرتها على الإمساك بالمعلومات بعيدة المدى داخل الصورة
ولمعالجة هذا القصور تقدم هذه الدراسة نموذجًا محسّنًا يستند إلى إدخال آلية الانتباه البصري في البحث التفاضلي في البنية العصبية، بحيث يستبدل المشغّل الالتفافي الأصلي ويضيف بنية متبقية في البنية الكلية، بما يعزز قدرة النموذج على اكتساب المعلومات ويرفع دقة التصنيف النهائية عبر مجموعات بيانات قياسية متعددة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير تقنية لتحسين تصنيف الصور تتغلب على قصور البحث التفاضلي التقليدي في البنية العصبية في اكتساب المعلومات المحلية والبعيدة معًا، واعتمدت منهجية الدراسة بناء نموذج محسّن يدخل آلية الانتباه البصري في إطار البحث التفاضلي، ويستبدل بالمشغّل الالتفافي الأصلي مشغّلًا معززًا بالانتباه، ويضيف بنية متبقية إلى البنية الكلية للشبكة لتقوية تدفق المعلومات واكتسابها، ثم اختُبر النموذج تجريبيًا على مجموعات بيانات قياسية عالمية هي سيفار عشرة وسيفار مئة وإيميج نت، وقورن أداؤه بخوارزميات سائدة أخرى من حيث دقة التصنيف واستهلاك ذاكرة التشغيل وحجم معاملات البحث وزمن البحث وعدد العمليات الحسابية
ثانيًا: أبرز النتائج
1. بلغت الدقة النهائية للنموذج المحسّن على مجموعة بيانات سيفار عشرة 97.2 في المئة بعد ستمئة جولة من التدريب
2. لم يتجاوز استخدام ذاكرة التشغيل على مجموعة بيانات سيفار مئة 44.52 في المئة، بانخفاض قدره 44.56 في المئة مقارنة بالنموذج الأساسي
3. حقق النموذج في الاختبار على مجموعة بيانات إيميج نت دقة تصنيف قدرها 94.01، بمعاملات بحث لا تتجاوز 4.8 ميغابايت، وزمن بحث اختُصر إلى 0.5 يوم، وحد أدنى لعدد عمليات الفاصلة العائمة قدره 3.7 غيغا عملية
4. تفوق النموذج المقترح بفارق واضح على الخوارزميات السائدة الأخرى المقارنة في مؤشرات الدقة والكفاءة مجتمعة
ثالثًا: دلالات الدراسة وتطبيقاتها
تشير النتائج مجتمعة إلى أن الطريقة المقترحة تعالج بفاعلية قصور البحث التفاضلي التقليدي في البنية العصبية في قدرات اكتساب المعلومات المحلية والبعيدة، عبر توظيف الانتباه البصري والبنية المتبقية معًا، وهو ما يقدم دعمًا تقنيًا مهمًا لرفع دقة تقنيات تصنيف الصور وكفاءتها، وتنعكس هذه الدلالات تطبيقيًا في مجالات تعتمد على التصنيف البصري الموثوق، مثل دعم التشخيص الطبي بالصور وأنظمة النقل الذكي والتعرف البصري في البيئات الصناعية، إذ تجمع الطريقة بين دقة مرتفعة وكفاءة حسابية تلائم النشر العملي في أنظمة محدودة الموارد
وتزداد أهمية كفاءة البحث في البنية العصبية مع تنامي كلف تدريب النماذج العميقة وآثارها الاقتصادية والبيئية المترتبة على استهلاك الطاقة الحاسوبية، فخفض زمن البحث واستهلاك الذاكرة مع الحفاظ على الدقة يفتح الباب أمام مختبرات وجامعات محدودة الموارد للمشاركة الفاعلة في تطوير نماذج تصنيف متقدمة، كما يدعم نشر هذه النماذج على أجهزة طرفية مثل الهواتف الذكية وكاميرات المراقبة وأنظمة المركبات الذكية، حيث تشكل كفاءة استهلاك الذاكرة والطاقة عاملًا حاسمًا لا يقل أهمية عن دقة التصنيف ذاتها في بيئات التشغيل الفعلية
ويمثل دمج آليات الانتباه البصري في بنى البحث الآلي عن الشبكات اتجاهًا متصاعدًا في أدبيات التعلم العميق الحديثة، إذ تنتقل الشبكات من معالجة موحدة لجميع أجزاء الصورة إلى تركيز انتقائي على المناطق الأعلى دلالة فيها، بما يحاكي جوانب من الإدراك البصري البشري ويرفع كفاءة استخلاص السمات المميزة للأصناف المستهدفة
وخلاصة القول إن هذه الدراسة تقدم نموذجًا محسّنًا للبحث التفاضلي في البنية العصبية يدمج آلية الانتباه البصري والبنية المتبقية، وقد أثبت تفوقًا واضحًا في دقة تصنيف الصور وكفاءة الذاكرة وزمن البحث عبر مجموعات بيانات قياسية، وهو ما يجعلها مرجعًا قيمًا للباحثين في الرؤية الحاسوبية والتعلم العميق وطلاب الدراسات العليا في علوم الحاسب والذكاء الاصطناعي
