لماذا تشكِّل اختيار الخوارزميَّة كل مجموعة بيانات مسارٍ
نظام تتبع مسارات سمك الزِّبرَادِش لا يكون أفضل من الخوارزميَّات التي تعمل تحت الكاميرا. فالعتاد يلتقط البكسلات فقط، أما البرنامج فهو الذي يقرِّر معنى تلك البكسلات. ويمكن لمختبرين استخدام نفس الكاميرا، ونفس الملعب، ونفس الإضاءة، ومع ذلك الحصول على مجموعات بيانات مختلفة جداً، لأن إحدى سلاسل المعالجة تتعامل بكفاءة مع حالات التغطية (أو الحجب)، بينما الأخرى لا تفعل ذلك. وتتمثَّل الخوارزميَّات المستخدمة في التتبُّع في مركز هذه الفروق.
ينقسم العمل إلى ثلاثة أجزاء. يكتشف الجزء الأول الأسماك في كل إطار. ويربط الجزء الثاني الاكتشافات عبر الإطارات بحيث تحتفظ السمكة بهويتها نفسها. ويقدّر الجزء الثالث المسار الحقيقي عندما تكون الاكتشافات مشوشة أو مفقودة. وتتعامل عائلات الخوارزميات المختلفة مع هذه الأجزاء بافتراضات مختلفة، وهذه الافتراضات تحدد ما يمكن أن تدعمه البيانات.
يبقى استبعاد الخلفية والعتبة أول خط دفاع
تبدأ معظم خطوط المعالجة بطريقة لفصل الأسماك عن الخلفية. ويُنشئ استبعاد الخلفية نموذجًا للملعب الفارغ ويُحدّد البكسلات التي تختلف عن هذا النموذج. ثم تحوّل العتبة خريطة الاختلاف إلى قناع ثنائي. وتُنظّف العمليات الشكلية الثقوب الصغيرة والبكسلات المتناثرة.
هذه الطريقة سريعة وتعطي نتائج جيدة عندما يكون الخلفية ثابتة والتباين مناسب. فمثلاً، يسهل اكتشاف سمكة داكنة على خلفية مضيئة. لكن تظهر المشكلات عند تغير الإضاءة أو حركة الانعكاسات أو دخول الفقاعات والشوائب إلى المشهد. فقد يُخطَأ في اعتبار الظل سمكةً، كما قد تندمج السمكة القريبة من الجدار مع الحافة. كما تواجه طريقة طرح الخلفية صعوباتٍ عند تداخل الأسماك، لأن القناع الناتج يصبح كتلة واحدة بدل أن يكون كتلتين.
تتبع المراكز وتطابق الجار الأقرب يتعاملان مع أحواض بسيطة
بعد اكتشاف الأسماك، أسهل طريقة لربط الإطارات هي تتبع المراكز. ويتم حساب مركز كل كتلة، ثم يُفترض أن أقرب مركز في الإطار التالي هو نفس السمكة. وتطابق الجار الأقرب سهل التنفيذ ويعطي نتائج جيدة لسمكة واحدة أو لعدة أسماك تبقى بعيدةً عن بعضها البعض.
نوع العطل هو تبديل الهوية. وعندما يلتقي سمكتان، فقد ينتمي أقرب مركز ثقل إلى السمكة الخطأ. فيُجري المتعقب تبديلًا في الهويات، ما يؤدي إلى تشويش بيانات المسار. وهذه ليست حالة نادرة عند الحواف. فسمك الزِّبريش (Zebrafish) اجتماعيٌّ جدًّا، وغالبًا ما يسبح بالقرب من بعضه البعض. أما أي سلسلة معالجة تتجاهل استمرارية الهوية، فهي تُنتج مساراتٍ تبدو جميلةً من الناحية البصرية، لكنها خاطئة بيولوجيًّا.
تُدخل مرشحات كالمان تنبؤ الحركة في سلسلة المعالجة.
يُضيف مرشح كالمان نموذج حركة. فبدلًا من افتراض أن السمكة تبقى ساكنةً بين الإطارات، يتوقع المرشح مكان وجودها استنادًا إلى السرعة السابقة. ويتم مقارنة هذا التوقع مع الكشف الجديد، ثم تحديث تقدير الحالة. وهذا يُخفف من تأثير القياسات المشوشة، ويساعد عند غياب الكشف لإطار أو اثنين.
يَفترض مرشح كالمان القياسي حركة خطية وضوضاء غاوسية. ولا يتعاون سمك الزِّبرافيش دائمًا. فقد يُجري منعطفات حادة أو يندفع بسرعة أو يعلو في الماء دون حركة. أما المرشحات الموسَّعة لـكالمان ومرشحات الجسيمات فتخفف بعض هذه الافتراضات، لكنها تزيد التعقيد. ومع ذلك، فإن الفائدة العملية لا تزال ملموسة. فحتى نموذج السرعة الثابتة البسيط يقلل الاهتزازات ويحسّن استمرارية التتبع في المياه المفتوحة.
تُحافظ خوارزمية التخصيص المجرية وتتبع الكائنات المتعددة على هوية كل كائن بوضوح.
تحل خوارزمية هنغاريا مشكلة التخصيص. فهي، عند إعطائها مصفوفة تكاليف تُظهر احتمال مطابقة كل كشفٍ مع كل مسارٍ موجودٍ، تجد التخصيص الأحادي-إلى-أحادي الذي يقلل المجموع الكلي للتكاليف. ويمكن أن تشمل التكلفة المسافة والمظهر وتوقع الحركة. وهذه الخوارزمية تشكّل العمود الفقري لأساليب تتبع الكائنات المتعددة مثل «سُورْت» و«ديب سُورْت».
-
تنبّأ بموضع كل مسار باستخدام نموذج حركة.
-
احسب مصفوفة التكاليف بين المسارات والكشف الجديد.
-
حلّ مسألة التخصيص باستخدام خوارزمية هنغاريا.
-
تحديث المسارات المتطابقة ومعالجة الكشفات غير المتطابقة باعتبارها كائنات جديدة أو مفقودة.
يُضيف خوارزمية ديب سورت وصفًا لمظهر الكائن، غالبًا ما يكون عبارة عن شبكة عصبية صغيرة، مما يسمح بإعادة التعرف على الأسماك بعد حجبها. وهذا مفيد عندما تتقاطع سمكتان ثم تنفصلان. والثمن المدفوع هو زيادة في التعقيد الحسابي وزيادة في ضبط المعاملات. وخطوة التخصيص تكون جيدة فقط بقدر جودة مصفوفة التكلفة، ويمكن أن تؤدي مصفوفة ذات أوزان رديئة لا تزال إلى حدوث تبادلات في الهويات.
| عائلة الخوارزميات | القوة | نقطة الضعف | الخيار الأفضل |
|---|---|---|---|
| طرح الخلفية | سريع وبسيط | حساس للتغيرات في الإضاءة والشوائب | بيئة ثابتة وتباين عالٍ |
| نقطة المركز مع أقرب جار | سهل التنفيذ | تبادل في الهويات | سمك واحد أو كثافة منخفضة |
| مرشح كالمان | يُخفّف الضوضاء ويتنبّأ | افتراض الحركة الخطية | منطقة مفتوحة، سرعة معتدلة |
| خوارزمية التخصيص المجرية | مطابقة واحدة-إلى-واحد مثلى | ضبط مصفوفة التكلفة | تتبّع عدة أسماك |
| متعقّب يعتمد على التعلّم العميق | يتعامل مع التغطية والتغير في المظهر | يحتاج إلى بيانات ووحدة معالجة رسومية | مشاهد معقدة، وتباين عالٍ |
تزيد أنظمة التتبع المعتمدة على التعلُّم العميق من الدقة وتغيِّر احتياجات الأجهزة
انتقل التعلُّم العميق إلى تتبع سمك الزِّبرافيش بشكل كبير. ويمكن لمكتشفات الكائنات مثل YOLO وFaster R-CNN اكتشاف الأسماك دون الحاجة إلى طرح الخلفية. كما يمكن لأدوات تقدير الوضع مثل DeepLabCut تتبع أجزاء الجسم، وليس فقط المراكز. وتستطيع شبكات إعادة التعرف مقارنة المظهر عبر الإطارات. وتُستخدم أيضًا الشبكات التحويلية والشبكات التوأمية (Siamese) للتتبع.
المكاسب حقيقية في المشاهد المزدحمة أو المتغيرة. لكن التكاليف حقيقية أيضًا. ويجب تسمية بيانات التدريب، غالبًا إطارًا بإطار. أما الاستنتاج فيتطلب وحدة معالجة رسومية إذا كانت معدلات الإطارات عالية. وقد لا تعمَّم النماذج المدرَّبة في مختبرٍ ما باستخدام إضاءة معينة وسلالة معينة من الأسماك على مختبرٍ آخر. فنظام التتبع المعتمد على التعلُّم العميق ليس بديلاً جاهزًا مباشرًا لخط أنابيب كلاسيكي. بل يغيِّر ميزانية الأجهزة، وعبء التصنيف اليدوي، واستراتيجية التحقق من الصحة.
مثال ميداني تسبَّب فيه سوء توافق الخوارزمية في تبديل الهويات
كانت منشأة بحث سلوكية في جامعة تقع في جنوب الصين تُجرِي تجربة تتبع متعددة الخزانات. وقد استخدمت الخطّة الأولية طريقة طرح الخلفية وطريقة مطابقة الجار الأقرب. وبَدَت المسارات نظيفةً في التجارب التي شملت سمكة واحدة فقط. أما في التجارب الجماعية، فبيّنت البيانات قفزاتٍ مستحيلة. فقد بدا أن الأسماك تنتقل فجأةً عبر المضمار ثم تعود إليه مرة أخرى.
وكان السبب في هذه المشكلة هو تبديل الهوية أثناء تقاطع الأسماك. فقام الفريق بإضافة مرشّح كالمان للتنبؤ، واستبدال خوارزمية الجار الأقرب بتخصيص هنغاري. كما أُضيف إلى مصفوفة التكلفة ميزة ظاهرية بسيطة تعتمد على شكل الذيل. وبذلك توقّفت الظواهر الانتقالية المفاجئة. ومع ذلك، ما زالت المسارات تحتاج إلى مراجعة يدوية في حالات التجمّع الكثيف للأسماك، لكن مجموعة البيانات أصبحت قابلة للاستخدام. والدرس المستفاد ليس أن خوارزميةً واحدةً تكون دائمًا أفضل من غيرها، بل إن الخوارزميةَ يجب أن تتوافق مع السلوك الاجتماعي للحيوانات.
مطابقة الخوارزميات مع السؤال البيولوجي والتجهيز المستخدم
لا تتفوّق عائلة خوارزميات واحدة في كل مكان. ومتعقِّب المركز البسيط كافٍ ليراقب يرقة واحدة في صفيحة ذات ٢٤ بئرًا. وقد يكون متعقِّب التعلُّم العميق مبالغًا فيه لنفس الاختبار، لكنه ضروريٌّ لخزان مكتظٍ بالأسماك البالغة. والاختيار الأمثل يتوقَّف على كثافة الأسماك، وتعقيد الحوض، واستقرار الإضاءة، والسؤال البيولوجي المطروح.
كما أنَّه يتوقَّف أيضًا على تركيب الجهاز. فثبات حامل الكاميرا، واتساق الإضاءة، ونظافة الخلفية، كلُّها عوامل تجعل الخوارزميات التقليدية تعمل بكفاءة أعلى كثيرًا. أما اهتزاز الحامل أو تذبذب الضوء فيجبر البرنامج على التعويض عن مشكلات كان ينبغي حلُّها ميكانيكيًّا. ودقة التعقُّب خاصيةٌ للنظام ككلٍّ، وليست مجرد ميزةٍ برمجية.
تُصنِّع شركة هنتر لاب (هنتر) معدات المختبرات الخاصة بالأسماك الزرقاء مع التركيز على الاستقرار الميكانيكي والبصري الذي تعتمد عليه خوارزميات التتبع. وتدعم جوانب التصنيع ومراقبة الجودة الاتساقَ المطلوب في الدراسات السلوكية التي تستخدم عدة أجهزة في آنٍ واحد. وللمختبرات التي تسعى إلى أن تعكس بيانات التتبع البيولوجيا الفعلية بدلًا من التشوهات الناتجة عن سلسلة المعالجة، يُشكِّل هذا الاستقرار جزءًا أساسيًّا من أساس العمل.