Mask R-CNN — شبكة الأقنعة للتجزئة الفورية

قبل Mask R-CNN، كانت الرؤية الحاسوبية تتعامل مع فهم المشاهد بثلاث طرق منفصلة، كل منها فيها ثغرة:

رصد الأجسام يرسم مربع إحاطة حول كل جسم ويحدّد فئته. يخبرك أين الجسم وما هو، لكنه لا يعطيك شكله الحقيقي — المربع يضمّ بكسلات الخلفية مع الجسم.

التجزئة الدلالية تصنّف كل بكسل حسب فئته — بكسلات السيارات تُلوَّن بلون وبكسلات الأشجار بلون آخر. المشكلة أنها لا تفرّق بين سيارتين متجاورتين، فتعاملهما ككتلة واحدة من فئة «سيارة». تفقد العدد وهوية كل جسم.

التجزئة الفورية هي الغاية المنشودة: ارصد كل جسم على حدة وحدّد حدوده البكسلية بدقة. أنت تعرف أن في الصورة ثلاث سيارات وتعرف المحيط الدقيق لكل واحدة. قبل 2017 لم ينجح أي نظام في تحقيق ذلك بكفاءة في تمريرة واحدة.

Mask R-CNN مبنيّ فوق Faster R-CNN، لذا لا بدّ من فهم آليتها أولاً. الشبكة تعمل على مرحلتين:

المرحلة الأولى — شبكة اقتراح المناطق (RPN). شبكة التفافية خفيفة تمرّ فوق خريطة السمات المستخرجة من البنية الأساسية. عند كل موضع مكاني تفحص مجموعة مربعات مرجعية بأحجام ونسب أبعاد مختلفة، فتقرّر هل يوجد جسم أم لا وتضبط إحداثيات المربع. الخرج بضع مئات من المناطق المرشّحة.

المرحلة الثانية — التصنيف وضبط المربع. لكل منطقة مرشّحة تُستخلَص رقعة سمات من خريطة السمات (عبر التجميع)، ثم تُمرَّر إلى طبقات كاملة الاتصال لتحديد (أ) فئة الجسم و(ب) إحداثيات مربع الإحاطة بدقة أعلى.

فكرة Mask R-CNN البسيطة: أضف رأس خرج ثالثاً في المرحلة الثانية يتنبأ بقناع تجزئة ثنائي لكل مقترح — يعمل بالتوازي مع رأسَي التصنيف والمربع ويتشارك معهما السمات نفسها.

هنا تكمن أهم مساهمة تقنية في Mask R-CNN. في Faster R-CNN الأصلية، كانت طبقة RoI Pool تستخلص رقعة سمات ثابتة الحجم من كل منطقة مرشّحة. المشكلة أن هذه الطبقة تُجري جولتَي تكميم — الأولى حين تقرّب إحداثيات المنطقة إلى أقرب عدد صحيح على خريطة السمات، والثانية حين تقسّم المنطقة إلى حجيرات. كل جولة تقريب تُزيح السمات بجزء من البكسل.

بالنسبة لتصنيف مربع الإحاطة، هذه الإزاحات الصغيرة لا تؤثر كثيراً — كل ما يحتاجه التصنيف هو تحديد موقع الجسم تقريبياً. لكن حين نريد قناعاً بدقة البكسل، تصبح المسألة مختلفة: إزاحة بكسل واحد عند دقة 1/16 تترجم إلى إزاحة 16 بكسل في الصورة الأصلية. عندها يستقبل رأس القناع سمات لم تعد تمثّل البكسلات الصحيحة فتنهار الدقة.

الأمر يشبه جهاز عرض مضبوطاً بشكل تقريبي: الجمهور يتعرّف على محتوى الشريحة (التصنيف يعمل)، لكنه لا يستطيع قراءة التفاصيل الدقيقة (القناع يفقد حدّته).

RoIAlign يحلّ هذه المشكلة بفكرة بسيطة مفاهيمياً: لا تقرِّب أي إحداثي أبداً. بدلاً من القفز إلى أقرب نقطة صحيحة على الشبكة، يحتفظ RoIAlign بالإحداثيات كأرقام عشرية ويستخدم الاستيفاء الثنائي الخطي لحساب قيم السمات عند مواقع دقيقة بين البكسلات.

آلية العمل: خذ أي منطقة اهتمام بحجم عشوائي وقسّمها إلى شبكة ثابتة (مثلاً 7×7). داخل كل حجيرة، اسحب عينات عند 4 نقاط منتظمة. كل نقطة تقع بين بكسلات خريطة السمات، فتُحسَب قيمتها كمتوسط موزون لأقرب 4 بكسلات محيطة بها (هذا هو الاستيفاء الثنائي الخطي). بعد ذلك تُجمَّع العينات الأربع في كل حجيرة بالمتوسط أو القيمة القصوى.

لا تقريب ولا تكميم. السمات المستخلَصة تطابق المنطقة المكانية التي اقترحتها شبكة RPN بدقة. هذا التغيير الذي يبدو طفيفاً حسّن دقة القناع بنسبة 10–50% نسبياً، وكانت أكبر المكاسب على مقاييس التموضع الصارمة.

بعد أن يستخلص RoIAlign خريطة سمات محاذاة بدقة لكل مقترح، يعالجها فرع القناع عبر شبكة التفافية كاملة صغيرة — سلسلة طبقات التفافية تحافظ على البنية المكانية، تنتهي بطبقة التفاف معكوس ترفع الدقة إلى حجم القناع النهائي (عادةً 28×28 بكسل لكل منطقة اهتمام).

القرار التصميمي الجوهري هنا: فرع القناع يولّد K قناع ثنائي — قناع لكل فئة — مستخدماً تنشيط sigmoid لكل بكسل بدلاً من softmax. بمعنى آخر، تنبؤ القناع مفصول تماماً عن تنبؤ الفئة. الشبكة لا تحتاج أن تقرر ما هو الجسم وهي تحدّد حدوده في الوقت نفسه. رأس التصنيف يتكفّل بالإجابة عن «ما هذا الجسم؟»، أما رأس القناع فمهمته الوحيدة: «هل هذا البكسل جزء من الجسم أم خلفية؟»

لماذا هذا مهم؟ حين تستخدم softmax بين الفئات على مستوى كل بكسل، يصبح قناع «القط» وقناع «الكلب» في تنافس — رفع قيمة أحدهما يخفض الآخر تلقائياً. لكن إذا كان رأس التصنيف قد حسم أن الجسم قط، فهذا التنافس لا معنى له ويضرّ الدقة. فصل المهمتين أضاف 5.5 نقطة AP في التجارب التفصيلية التي أجراها الباحثون.

يُدرَّب Mask R-CNN بشكل كامل من البداية إلى النهاية بـدالة خسارة متعددة المهام تجمع ثلاثة مكوّنات ببساطة. ما يميّز هذا التصميم أن كل مكوّن يعمل باستقلالية — المكوّنات تتشارك السمات لكن كلاً منها يحسب تدرُّجاته بمعزل عن الآخرين:

بنية Mask R-CNN وحداتية — كل مكوّن قابل للاستبدال بشكل مستقل. يقارن البحث بين تكوينين لـالبنية الأساسية:

ResNet-C4: يستخدم المرحلة الالتفافية الرابعة (C4) من ResNet لاستخلاص السمات. يأخذ RoIAlign سمات بحجم 14×14 من خريطة C4 ويمرّرها عبر مرحلة C5 الثقيلة (الكتلة الأخيرة من ResNet) المشتركة بين رأسَي الرصد والقناع. تكلفته الحوسبية أعلى لكنه أبسط في التصميم.

ResNet-FPN: يدمج ResNet مع شبكة هرم السمات التي تبني تمثيلات متعددة المقاييس. كل مقترح يُسحب من مستوى الهرم الذي يناسب حجمه. رأس القناع هنا شبكة التفافية كاملة خفيفة ومستقلة (4 طبقات التفافية + طبقة التفاف معكوس). هذا التكوين أسرع وأدق، وهو الذي أصبح الخيار المعياري.

في الصور الواقعية تتفاوت أحجام الأجسام تفاوتاً كبيراً — شخص قريب من الكاميرا يشغل معظم الإطار، وسيارة بعيدة لا تتجاوز 20×15 بكسل. خريطة سمات واحدة بدقة واحدة لا تخدم كليهما جيداً: الدقة العالية تلتقط الأجسام الصغيرة لكنها سطحية دلالياً، والدقة المنخفضة غنية بالدلالات لكنها تفقد الأجسام الصغيرة تماماً.

شبكة هرم السمات تحلّ هذه المعضلة ببناء مسار تنازلي مع وصلات جانبية. تستغلّ التسلسل الهرمي الطبيعي في أي شبكة التفافية — حيث الطبقات المبكرة عالية الدقة والطبقات العميقة منخفضة الدقة — وتُغني كل مستوى بمعلومات دلالية قوية قادمة من القمة. النتيجة هرم يجمع في كل مستوى بين الدقة المكانية العالية والفهم الدلالي العميق.

في Mask R-CNN، يُوزَّع كل مقترح على مستوى الهرم المناسب لحجمه: المقترحات الصغيرة تُسحب من مستويات عالية الدقة، والكبيرة من مستويات منخفضة الدقة. هذا هو السبب في أن Mask R-CNN يتعامل بكفاءة مع أجسام من الصغير جداً إلى الكبير جداً.

على معيار COCO 2016، حقق Mask R-CNN مع ResNet-101-FPN:

• التجزئة الفورية: 35.7 AP للقناع — متفوقاً على جميع النتائج السابقة بنموذج واحد.
• رصد الأجسام: 39.8 AP للمربع — متجاوزاً Faster R-CNN بمجرد إضافة فرع القناع (الذي حسّن أداء الرصد فعلياً).
• رصد النقاط المفصلية: 65.5 AP — عبر استبدال مخرج القناع بخرائط حرارية للمفاصل، مما يُظهر مرونة الإطار.

الملفت هنا: إضافة فرع القناع حسّنت الرصد أيضاً. السبب أن مهمة القناع أجبرت البنية الأساسية المشتركة على الاحتفاظ بمعلومات مكانية تفصيلية لم تكن مهمة ضبط المربع وحدها لتطلبها. السمات أصبحت أغنى فاستفادت منها كل الرؤوس. هذا مثال واضح على فائدة التعلّم متعدد المهام — المهمة الإضافية تعمل كـمنظِّم يحسّن جودة التمثيل المشترك.

التجارب التفصيلية في البحث تكشف أيّ القرارات التصميمية لها الأثر الأكبر:

RoIAlign مقابل RoI Pool. الانتقال من RoI Pool إلى RoIAlign رفع دقة القناع من 23.6 إلى 30.9 على بنية ResNet-50-C4 — قفزة قدرها 7.3 نقطة (31% نسبياً). عند عتبات تقاطع على اتحاد أعلى (AP₇₅) كانت الفجوة أوسع. هذا يؤكد أن المحاذاة المكانية شرط أساسي للمهام التي تعمل على مستوى البكسل.

الأقنعة الثنائية المفصولة مقابل أقنعة softmax. استخدام sigmoid لكل بكسل (مفصول) بدلاً من softmax (متنافس) أضاف 5.5 نقطة AP. الخلاصة واضحة: بعد أن يحسم رأس التصنيف هوية الجسم، مهمة رأس القناع الوحيدة هي فصل المقدمة عن الخلفية دون أي تنافس بين الفئات.

أقنعة خاصة بالفئة مقابل أقنعة مستقلة عن الفئة. المفاجأة أن الأقنعة المستقلة عن الفئة (قناع ثنائي واحد بغض النظر عن نوع الجسم) حققت أداءً قريباً جداً من الأقنعة الخاصة بالفئة (29.7 مقابل 30.3 AP). هذا تأكيد إضافي لمبدأ الفصل — القناع فعلياً لا يحتاج سوى التمييز بين الجسم والخلفية.

عمق البنية الأساسية. الشبكات الأعمق حسّنت النتائج بوضوح: ResNet-101 أضاف 1.1 نقطة AP مقارنة بـResNet-50، وResNeXt-101 أضاف 0.7 نقطة فوق ذلك. فرع القناع يستفيد مباشرة من تمثيلات أغنى وأعمق.

من أقوى ما أثبته Mask R-CNN هو تقدير وضعية الإنسان. الفكرة بسيطة: استبدل رأس القناع برأس يتنبأ بـK خريطة حرارية — واحدة لكل مفصل (الكتف الأيسر، الركبة اليمنى، وهكذا) — وستحصل على نتائج متقدمة في رصد النقاط المفصلية. لم يتغيّر شيء في البنية الأساسية أو شبكة المقترحات — كل ما تغيّر هو رأس الخرج.

هذا يُثبت أن Mask R-CNN ليس مجرد نموذج تجزئة فورية — بل إطار عام للمهام التي تحتاج فهماً مكانياً دقيقاً لكل جسم مرصود. أي مهمة تتطلب (1) رصد أجسام و(2) تنبؤاً دقيقاً مكانياً داخل كل جسم يمكن تركيبها على هذا الإطار. الوصفة واحدة دائماً: بنية أساسية ← هرم سمات ← شبكة مقترحات ← RoIAlign ← رأس خاص بالمهمة.

الإسهام الأبقى لـMask R-CNN ليس النموذج بحد ذاته — بل إثباته أن رصد الأجسام والتجزئة الفورية ليسا مشكلتين منفصلتين. بإضافة فرع واحد وإصلاح خلل واحد في المحاذاة، ذابت الفجوة بين «أين الجسم؟» و«ما شكله؟». كل أنظمة الرؤية الحديثة التي تعمل على مستوى المثيل — من القيادة الذاتية إلى التصوير الطبي — تبني على هذا التوحيد.