شبكات الالتفاف القابلة للتشوُّه

الالتفاف العادي بحجم 3×3 يقرأ دائماً نفس المواقع التسعة حول مركزه — شبكة مربعة ثابتة لا تتغيّر. هذا الجمود يُفرز ثلاث مشكلات عملية:

• حقل استقبال واحد للجميع. كل وحدة في نفس الطبقة ترى المساحة المكانية ذاتها بالضبط. لكن الأجسام الحقيقية تتفاوت تفاوتاً كبيراً في أشكالها: الزرافة طويلة ونحيلة، والحافلة عريضة ومسطحة، والكرة دائرية. المربع الجامد لا يناسب أياً منها.

• لا سبيل للتعامل مع التنوع الهندسي إلا من البيانات. للتعامل مع اختلافات المقياس والدوران والتشوُّه، تعتمد الشبكة كلياً على تكثيف البيانات وعلى سعة النموذج الكبيرة. هذا مُكلف وهشّ — لأن الشبكة لا تستطيع التعامل إلا مع التحويلات التي رأتها فعلاً أثناء التدريب.

• التجميع يُعاني من الجمود نفسه. تجميع منطقة الاهتمام يقسم المنطقة المكتشفة إلى خلايا مربعة ثابتة. مع الأجسام المرنة كالأشخاص أو الحيوانات، تقطع هذه الخلايا أجزاء الجسم بشكل اعتباطي، فتختلط تفاصيل الجسم بالخلفية.

الحل أبسط ممّا قد تتوقع. لنبدأ من التفاف عادي يأخذ عيّنات من $N$ موقعاً على شبكة منتظمة $\mathcal{R}$. كل ما نفعله هو إضافة إزاحة ثنائية الأبعاد مُتعلَّمة $\Delta p_n$ لكل موقع، تنقله من مكانه الأصلي إلى موقع جديد. بهذا لم يعد المرشّح مقيّداً بمربع جامد، بل يقرأ من مواقع غير منتظمة تختارها الشبكة بنفسها بحسب المحتوى.

من أين تأتي هذه الإزاحات؟ من طبقة التفافية موازية تعمل على نفس خريطة السمات المُدخلة، وتُخرج $2N$ قناة — إحداثيان (x وy) لكل نقطة أخذ عيّنات. والنقطة الذكية هنا: أوزان هذه الطبقة تبدأ بأصفار، فعند انطلاق التدريب يتصرّف النظام كالتفاف عادي تماماً، ثم يتعلّم الإزاحات تدريجياً ليُوجّه نقاط القراءة نحو المواقع الأكثر فائدة.

قبل أن نصل إلى صيغة الالتفاف القابل للتشوُّه، لنُراجع أولاً ما يفعله الالتفاف العادي. العملية مباشرة: لكل موقع خرج $p_0$، يمرّ المرشّح على مجموعة ثابتة من المواقع $\mathcal{R}$ — كالخلايا التسع في شبكة 3×3 مثلاً — يضرب كل قيمة في وزنها المقابل ثم يجمع النتائج.

في النسخة القابلة للتشوُّه، نُضيف إزاحة مُتعلَّمة $\Delta p_n$ لكل موقع في الشبكة. تعديل بسيط، لكن أثره كبير: المرشّح لم يعد مُلزَماً بقراءة مربع جامد، بل يقرأ من المواقع التي تعلّمت الشبكة أنها الأنسب للمحتوى.

بما أن الإزاحات $\Delta p_n$ قيم مستمرة، فالموقع المُزاح $p_0 + p_n + \Delta p_n$ يقع في الغالب بين مواقع البكسلات الصحيحة — لا على بكسل بعينه. هنا يأتي دور الاستيفاء ثنائي الخطية: نُقدّر القيمة عند هذا الموقع الكسري بحساب متوسط موزون من أقرب أربعة جيران صحيحين. تخيّل الأمر كمزج ألوان: لو وقعت النقطة على بُعد 70% من البكسل A باتجاه البكسل B، نأخذ 70% من قيمة B و30% من قيمة A، وهذا يُطبَّق في كلا الاتجاهين.

البنية المعمارية بسيطة وأنيقة. لدينا طبقة التفافية عادية تأخذ خريطة سمات وتُخرج خريطة سمات — هذا الجزء لا يتغيّر. الإضافة الوحيدة هي طبقة التفافية موازية تعمل على نفس المدخل وتُنتج حقل إزاحات بـ$2N$ قناة، حيث $N$ هو عدد نقاط أخذ العيّنات في النواة (9 مثلاً لمرشّح 3×3). كل موقع يحصل على قناتين: واحدة لإزاحة x وأخرى لإزاحة y.

تفصيلة مهمة في التصميم: طبقة الإزاحة تستخدم نفس حجم النواة ونفس معدّل الانبساط المُستخدَم في طبقة الالتفاف الرئيسية. وأوزانها تبدأ بأصفار — أي أن التدريب ينطلق من التفاف عادي تماماً كخط أساس، ثم تكتشف الشبكة التشوُّهات المناسبة بالتدريج. كلتا مجموعتي الأوزان تُدرَّبان معاً عبر الانتشار العكسي المعتاد، دون حاجة لدالة خسارة إضافية أو إشراف خاص.

نماذج اكتشاف الأجسام مثل Faster R-CNN تستخرج سمات المناطق المقترحة عبر تجميع منطقة الاهتمام. الطريقة المعتادة تقسم المنطقة المستطيلة إلى شبكة ثابتة من الخلايا (7×7 مثلاً) وتحسب متوسط السمات في كل خلية. هذا يعمل جيداً مع الأجسام ذات الأشكال المنتظمة، لكنه لا يُناسب الأجسام المرنة — ذراع شخص مثلاً قد تمتد خارج حدود الخلية التي يُفترض أن تحتويها.

تجميع منطقة الاهتمام القابل للتشوُّه يُعالج هذه المشكلة بإضافة إزاحة مُتعلَّمة $\Delta p_{ij}$ لكل خلية. تُنتج هذه الإزاحات طبقة كاملة الاتصال تعمل على السمات المُجمَّعة نفسها، وتُقيَّس بأبعاد منطقة الاهتمام حتى لا يتأثر التعلُّم بحجم المنطقة. الأثر العملي واضح: الخلايا تتحرّك لتغطي أجزاء الجسم الفعلية بدل الالتزام بتقسيم شبكي جامد.

حين نُكدّس عدة طبقات التفاف قابلة للتشوُّه، يظهر سلوك لافت للانتباه: حقل الاستقبال الفعلي — أي المساحة من الصورة الأصلية التي تؤثر في كل خرج — يصبح تكيُّفياً. قاس المؤلفون هذا بمقياس أسموه "الانبساط الفعّال": متوسط المسافة بين نقاط أخذ العيّنات المتجاورة في المرشّح القابل للتشوُّه.

النتائج أظهرت نمطاً واضحاً ومنطقياً: المرشّحات فوق أجسام كبيرة تعلّمت أن تُباعد نقاط عيّناتها فتحصل على حقول استقبال واسعة، والمرشّحات فوق أجسام صغيرة أبقتها متقاربة فتحصل على حقول ضيقة، أما فوق الخلفية فاستقرت على قيم وسطية. الخلاصة: الشبكة لا تتعلّم فقط ما تبحث عنه، بل تتعلّم أيضاً إلى أي مدى ينبغي أن تمد ذراعها للوصول إليه.

الالتفاف القابل للتشوُّه ينتمي لعائلة أوسع من الأساليب التي تسعى لمنح الشبكات الالتفافية مرونة هندسية. فهم موقعه بين هذه الأساليب يُساعد في تقدير إضافته:

• الالتفاف المُوسَّع (dilated convolution) يُباعد نقاط أخذ العيّنات بمعدّل ثابت — كأنك تُكبّر العدسة بنسبة واحدة لا تتغيّر. الالتفاف القابل للتشوُّه يُعمّم هذا: يتعلّم معدّل توسيع يتغيّر لكل بكسل ولكل اتجاه. وقد أظهرت التجارب أنه يتفوّق باستمرار حتى على الالتفاف المُوسَّع عند أفضل ضبط ممكن.

• شبكات التحويل المكاني تتعلّم تحويلاً شاملاً (كالأفيني) يُطبَّق على خريطة السمات بأكملها دفعة واحدة. الالتفاف القابل للتشوُّه يختلف جذرياً: يتعلّم إزاحات محلية كثيفة تتغيّر من موقع لآخر. هذا يجعله أخف حسابياً وأسهل في التدريب، ويُمكّنه من العمل بكفاءة في مهام التنبؤ الكثيف التي تعجز فيها المحوّلات المكانية.

• نماذج الأجزاء القابلة للتشوُّه (DPM) من حقبة ما قبل التعلُّم العميق كانت تتعلّم مواقع الأجزاء هي الأخرى، لكن بنماذج سطحية وقواعد مُصمَّمة يدوياً. تجميع منطقة الاهتمام القابل للتشوُّه يُحيي الفلسفة ذاتها لكن بـتمثيلات عميقة مُتعلَّمة من البداية للنهاية.

اختبر المؤلفون الوحدات القابلة للتشوُّه على مهمتين رئيسيتين في الرؤية الحاسوبية باستخدام بنيتي ResNet-101 وAligned-Inception-ResNet:

• التجزئة الدلالية (DeepLab على PASCAL VOC وCityScapes): استبدال آخر 3 طبقات التفافية بنسخ قابلة للتشوُّه — فقط هذا التغيير — رفع mIoU من 69.7% إلى 75.2% على VOC، أي قفزة بمقدار 5.5 نقطة.

• اكتشاف الأجسام (Faster R-CNN وR-FCN على PASCAL VOC وCOCO): الجمع بين الالتفاف القابل للتشوُّه وتجميع منطقة الاهتمام القابل للتشوُّه رفع R-FCN من 80.0% إلى 82.6% في mAP@0.5 على VOC، ومن 30.8% إلى 34.5% في mAP@[0.5:0.95] على COCO — تحسّن نسبي يقارب 12%.

واللافت أن التكلفة الإضافية ضئيلة: ResNet-101 القابل للتشوُّه يُضيف نحو 0.1 مليون معامل فقط (زيادة 0.2%) ونحو 15% وقت إضافي في التمرير الأمامي. أي أن كل هذا التحسّن مصدره نمذجة مكانية أذكى، لا نموذج أكبر.

غيّرت هذه الورقة نظرة المجال للنمذجة المكانية داخل الشبكات الالتفافية. منذ LeNet كانت الشبكة المربعة الجامدة مسلّمة لا يُشكّك فيها أحد — وجاء هذا العمل ليُظهر أنها كانت خياراً تصميمياً، وخياراً دون المستوى الأمثل.

انتشر أثر الورقة في مسارين. الأول مباشر: DCNv2 عام 2019 أضاف معاملات تعديل تكبت السياق غير المفيد، ثم نقل Deformable DETR عام 2021 فكرة تعلُّم الإزاحات إلى عالم المحوِّلات. الثاني مفاهيمي: ترسّخت فكرة أن مواقع أخذ العيّنات ينبغي أن تُتعلَّم لا أن تُحدَّد مسبقاً، وأصبحت مبدأ أساسياً في كل بنية لاحقة تُكيّف حقل استقبالها ديناميكياً.

اليوم، الالتفافات القابلة للتشوُّه مكوّن قياسي في أنظمة الاكتشاف والتجزئة الجاهزة للإنتاج. حين يحتاج نموذج رؤية إلى التعامل مع أجسام تتفاوت كثيراً في الشكل والحجم، فإن أخذ العيّنات القابل للتشوُّه — بصورة أو بأخرى — يكون جزءاً من الحل غالباً.