اختبار تورينج البصري

اختبار تورينج البصري هو "جهاز يُشغَّل بمساعدة مُشغِّل، يُنتج سلسلة عشوائية من الأسئلة الثنائية من صورة اختبار مُعطاة". ^{[ 1 ]} يُنتج مُحرك الاستعلام سلسلة من الأسئلة ذات إجابات غير متوقعة بالنظر إلى تاريخ الأسئلة. يعتمد الاختبار على الرؤية فقط، ولا يتطلب أي معالجة للغة الطبيعية . تتمثل مهمة المُشغِّل البشري في تقديم الإجابة الصحيحة للسؤال أو رفضه لكونه غامضًا. يُنتج مُولِّد الاستعلام أسئلة تتبع "خطًا سرديًا طبيعيًا"، على غرار ما يفعله البشر عند النظر إلى صورة.

يعود تاريخ أبحاث رؤية الحاسوب إلى ستينيات القرن الماضي، عندما حاول سيمور بابيرت لأول مرة حل هذه المشكلة. عُرفت هذه المحاولة غير الناجحة باسم مشروع رؤية الصيف . ويعود سبب فشلها إلى أن رؤية الحاسوب أكثر تعقيدًا مما يعتقد الناس، ويتوافق هذا التعقيد مع نظام الرؤية البشري. إذ يُخصص ما يقارب 50% من الدماغ البشري لمعالجة المعلومات البصرية، مما يدل على صعوبة هذه المسألة.

لاحقًا، بُذلت محاولات لحل هذه المشكلات باستخدام نماذج مستوحاة من الدماغ البشري. وكانت "البرسبترونات " لفرانك روزنبلات ، وهي شكل من أشكال الشبكات العصبية ، من أوائل هذه المحاولات. إلا أن هذه الشبكات العصبية البسيطة لم ترقَ إلى مستوى التوقعات، وكانت تعاني من بعض القيود التي حالت دون اعتمادها في الأبحاث اللاحقة.

لاحقًا، ومع توفر الأجهزة وقدرات المعالجة، تحوّل البحث إلى معالجة الصور ، التي تتضمن عمليات على مستوى البكسل، مثل تحديد الحواف ، وإزالة التشويش من الصور ، وتطبيق المرشحات، على سبيل المثال لا الحصر. شهد هذا المجال تقدمًا ملحوظًا، لكن مشكلة الرؤية، التي تُمكّن الآلات من فهم الصور، ظلت قائمة دون حل. خلال هذه الفترة، عادت الشبكات العصبية للظهور، إذ تبيّن إمكانية التغلب على قيود البيرسيبترونات باستخدام البيرسيبترونات متعددة الطبقات . وفي أوائل التسعينيات، ظهرت الشبكات العصبية الالتفافية ، التي حققت نتائج باهرة في التعرف على الأرقام، لكنها لم تُحقق أداءً جيدًا في حلّ المشكلات الأكثر تعقيدًا.

شهدت أواخر التسعينيات وأوائل الألفية الجديدة ظهور مجال رؤية الحاسوب الحديث. ويعود أحد أسباب ذلك إلى توفر خوارزميات أساسية لاستخلاص الميزات وتمثيلها. وقد استُخدمت هذه الميزات، إلى جانب خوارزميات التعلم الآلي الموجودة آنذاك ، للكشف عن الكائنات وتحديد مواقعها وتقسيمها في الصور.

مع كل هذه التطورات، شعر المجتمع العلمي بالحاجة إلى مجموعات بيانات ومعايير تقييم موحدة ليتسنى مقارنة الأداء. وقد أدى ذلك إلى ظهور تحديات مثل تحدي باسكال VOC وتحدي ImageNet . وقد ساهم توفر معايير التقييم الموحدة والتحديات المفتوحة في توجيه البحث، حيث تم استحداث خوارزميات أفضل لمهام محددة مثل اكتشاف الكائنات وتصنيفها.

يهدف اختبار تورينج البصري إلى إعطاء اتجاه جديد لأبحاث رؤية الكمبيوتر مما سيؤدي إلى تقديم أنظمة ستكون أقرب خطوة إلى فهم الصور بالطريقة التي يفهمها البشر.

تم شرح وتعميم عدد كبير من مجموعات البيانات لتقييم أداء فئات مختلفة من الخوارزميات لتقييم مهام الرؤية المختلفة (مثل اكتشاف/التعرف على الكائنات) في مجال صورة معين (مثل صور المشهد).

تُعدّ ImageNet إحدى أشهر مجموعات البيانات في مجال رؤية الحاسوب، وتُستخدم لتقييم مشكلة تصنيف الصور على مستوى الكائنات. تُعتبر ImageNet من أكبر مجموعات البيانات المُصنّفة المتاحة، إذ تضمّ أكثر من مليون صورة. ومن مهام الرؤية المهمة الأخرى اكتشاف الكائنات وتحديد مواقعها، والذي يُشير إلى اكتشاف الكائن في الصورة وتحديد إحداثيات المربع المحيط به أو تقسيمه. تُعدّ مجموعة بيانات Pascal الأكثر شيوعًا لهذه المهمة. وبالمثل، توجد مجموعات بيانات أخرى لمهام مُحدّدة، مثل مجموعة بيانات H3D ^{[ 2 ]} لاكتشاف وضعية الجسم البشري، ومجموعة بيانات Core لتقييم جودة سمات الكائنات المكتشفة، مثل اللون والاتجاه والنشاط.

لقد ساهم توفر مجموعات البيانات القياسية هذه في تمكين مجتمع الرؤية الحاسوبية من ابتكار خوارزميات عالية الأداء لجميع هذه المهام. وتتمثل الخطوة المنطقية التالية في إنشاء مهمة أكبر تشمل هذه المهام الفرعية الأصغر. من شأن وجود مثل هذه المهمة أن يؤدي إلى بناء أنظمة قادرة على فهم الصور، حيث أن فهم الصور يتضمن بطبيعته اكتشاف الكائنات وتحديد مواقعها وتقسيمها.

يختلف اختبار تورينج البصري (VTT) عن اختبار تورينج العادي بوجود نظام محرك استعلام يستجوب نظام رؤية الكمبيوتر في وجود منسق بشري.

إنه نظام يقوم بتوليد سلسلة عشوائية من الأسئلة الثنائية الخاصة بصورة الاختبار، بحيث تكون الإجابة على أي سؤال k غير قابلة للتنبؤ بالنظر إلى الإجابات الحقيقية للأسئلة k  −  1 السابقة (المعروفة أيضًا باسم تاريخ الأسئلة).

يُجرى الاختبار بحضور مُشرف بشري يقوم بدورين رئيسيين: إزالة الأسئلة الغامضة وتقديم الإجابات الصحيحة للأسئلة الواضحة. مع وجود صورة، يمكن طرح عدد لا نهائي من الأسئلة الثنائية، وكثير منها سيكون غامضًا. إذا تم توليد هذه الأسئلة بواسطة محرك الاستعلام، يقوم المشرف البشري بإزالتها، وبدلاً من ذلك، يُولّد محرك الاستعلام سؤالًا آخر تكون إجابته غير متوقعة بالنظر إلى تاريخ الأسئلة السابقة.

يهدف اختبار تورينج البصري إلى تقييم قدرة نظام الحاسوب على فهم الصور، ويُعدّ تسلسل أحداث الصورة جزءًا أساسيًا من هذا الفهم. فعندما ينظر الإنسان إلى صورة، لا يفكر في وجود سيارة على بُعد " س " بكسل من اليسار و" ص " بكسل من الأعلى، بل ينظر إليها كقصة، كأن يتخيل سيارة متوقفة على الطريق، وشخصًا يخرج منها متجهًا نحو مبنى. وتُعدّ العناصر المكونة للقصة هي أهم عناصرها، ولذا فإنّ استخراج أي تسلسل أحداث من الصورة يتطلب أولًا وقبل كل شيء تحديد هذه العناصر، وهذا ما يقوم به محرك الاستعلام.

محرك الاستعلامات

يُعد محرك الاستعلامات جوهر اختبار تورينج البصري، ويتألف من جزأين رئيسيين  : المفردات والأسئلة.

مفردات

المفردات هي مجموعة من الكلمات التي تمثل عناصر الصور. عند استخدام هذه المفردات مع قواعد نحوية مناسبة، ينتج عنها مجموعة من الأسئلة. تُعرَّف القواعد النحوية في القسم التالي بحيث تؤدي إلى فضاء من الأسئلة الثنائية.

المفردات${\displaystyle {\mathcal {V}}}$يتكون من ثلاثة مكونات:

1. أنواع الأشياء${\displaystyle {\mathcal {T}}}$
2. سمات الكائنات التي تعتمد على النوع${\displaystyle {\mathcal {A}}(t)}$
3. العلاقات المعتمدة على النوع بين كائنين${\displaystyle {\mathcal {R}}(t,t')}$

بالنسبة لصور مشاهد الشوارع الحضرية ، تشمل أنواع العناصر الأشخاص والمركبات والمباني . تشير السمات إلى خصائص هذه العناصر، مثل: أنثى، طفل، ارتداء قبعة أو حمل شيء ما (بالنسبة للأشخاص) ، وحركة، ووقوف، ورؤية إطار واحد أو إطارين ( بالنسبة للمركبات ) . يمكن أن تكون العلاقات بين كل زوج من فئات العناصر "منظمة" أو "غير منظمة". قد تشمل العلاقات غير المنظمة التحدث أو المشي معًا ، بينما تشمل العلاقات المنظمة: أطول ، أقرب إلى الكاميرا، حجب، أو التعرض للحجب، إلخ .

بالإضافة إلى ذلك، تُستخدم جميع هذه المصطلحات في سياق مناطق الصور المستطيلة w ∈ W، والتي تسمح بتحديد مواقع الكائنات في الصورة. يوجد عدد هائل من هذه المناطق، مما يُعقّد المسألة، لذا في هذا الاختبار، تُستخدم فقط مناطق بمقاييس محددة تشمل 1/16 من حجم الصورة، و1/4 من حجم الصورة، و1/2 من حجم الصورة، أو أكبر.

أسئلة

تتكون مساحة الأسئلة من أربعة أنواع من الأسئلة:

• أسئلة الوجود: يهدف طرح أسئلة الوجود إلى إيجاد عناصر جديدة في الصورة لم يتم تحديدها بشكل فريد من قبل. وهي تأتي على النحو التالي  :

Q exist = 'هل يوجد مثيل لكائن من النوع t ذي سمات A مرئية جزئيًا في المنطقة w لم يتم إنشاؤه مسبقًا؟'

• أسئلة التفرد: تحاول أسئلة التفرد تحديد كائن ما بشكل فريد لإنشاء نسخة منه.

Q uniq = 'هل يوجد مثيل فريد لكائن من النوع t ذي سمات A مرئية جزئيًا في المنطقة w لم يتم إنشاؤه مسبقًا؟'

تُشكّل أسئلة التفرّد، إلى جانب أسئلة الوجود، أسئلة التجسيد. وكما ذُكر سابقًا، يُفضي تجسيد الكائنات إلى أسئلة أخرى مثيرة للاهتمام، وفي النهاية إلى حبكة سردية. تلي أسئلة التفرّد أسئلة الوجود، والإجابة الإيجابية عليها تُفضي إلى تجسيد الكائن.

• أسئلة السمات: تسعى أسئلة السمات إلى معرفة المزيد عن الكائن بعد إنشائه. يمكن لهذه الأسئلة الاستعلام عن سمة واحدة، أو عن اقتران سمتين، أو عن فصل سمتين.

Q att (o t ) = {'هل للكائن o t الخاصية a؟'،هل يحتوي الكائن o على الخاصية a1 أم الخاصية a2 ؟' هل الكائن o لا يملك الخاصية a1 والخاصية a2 ؟'}

• أسئلة العلاقات: بمجرد إنشاء عدة كائنات، يستكشف سؤال العلاقات العلاقة بين أزواج الكائنات.

Q rel (o t ,o t' ) = 'هل يوجد علاقة r بين الكائن o t' ؟'

لاختيار السؤال التالي في التسلسل، يتعين على VTT تقدير إمكانية التنبؤ بكل سؤال مقترح. ويتم ذلك باستخدام مجموعة صور تدريبية مشروحة. تُشرح كل صورة بمربع محيط حول العناصر وتُصنف بخصائصها، كما تُصنف أزواج العناصر بالعلاقات بينها. لننظر إلى كل نوع من أنواع الأسئلة على حدة:

1. أسئلة التجسيد : يمكن تمثيل مقدر الاحتمال الشرطي لأسئلة التجسيد على النحو التالي:${\displaystyle \quad {\widehat {P}}(X_{q}=1)={\frac {\#\{I\in T,H(I)=1,X_{q}(I)=1\}}{\#\{I\in T,H(I)=1\}}}}$ لا يُنظر في السؤال إلا إذا كان المقام 80 صورة على الأقل. شرط${\displaystyle H(I)=1}$يُعدّ هذا الأسلوب صارمًا للغاية، وقد لا ينطبق على عدد كبير من الصور، إذ يُقصي كل سؤال في سجل الأسئلة ما يقارب نصف الصور المرشحة (في هذه الحالة). ونتيجةً لذلك، يُختصر سجل الأسئلة وتُحذف الأسئلة التي قد لا تُغيّر الاحتمالية الشرطية. يُتيح لنا سجل الأسئلة الأقصر إمكانية دراسة عدد أكبر من الصور لتقدير الاحتمالية. ويتم اختصار سجل الأسئلة على مرحلتين:
   • في المرحلة الأولى، تُحذف جميع أسئلة السمات والعلاقات، بافتراض أن وجود الكائنات وتجسيدها يعتمد فقط على كائنات أخرى وليس على سماتها أو علاقاتها. كذلك، تُحذف جميع أسئلة الوجود التي تشير إلى مناطق منفصلة عن المنطقة المشار إليها في السؤال المطروح، بافتراض أن احتمال وجود كائن في موقع ما هو${\displaystyle w}$لا يتغير بوجود أو عدم وجود أشياء في مواقع أخرى غير${\displaystyle w}$وأخيرًا، تُحذف جميع أسئلة التفرد ذات الإجابة السلبية التي تشير إلى مناطق منفصلة عن المنطقة المشار إليها في السؤال المقترح، بافتراض أن حذف أسئلة التفرد ذات الإجابة الإيجابية قد يُغير إجابة أسئلة التجسيد اللاحقة. ويمكن الإشارة إلى سجل الأسئلة التي تم الحصول عليها بعد هذه المرحلة الأولى من التقليم على النحو التالي:${\displaystyle H_{q}'}$.
   • في المرحلة الثانية، يتم إجراء عملية تقليم الصور واحدة تلو الأخرى. لنفترض${\displaystyle q_{i}}$كن سؤالاً عن التفرد في${\displaystyle H}$التي لم يتم تقليمها ويتم الحفاظ عليها في${\displaystyle H_{q}'}$إذا كان هذا السؤال يتعلق بمنطقة منفصلة عن المنطقة المشار إليها في السؤال المطروح، فإن الإجابة المتوقعة على هذا السؤال ستكون${\displaystyle 1}$بسبب القيود في المرحلة الأولى. ولكن إذا كانت الإجابة الفعلية على هذا السؤال بالنسبة لصورة التدريب هي${\displaystyle 0}$إذاً، لا تُؤخذ صورة التدريب هذه في الاعتبار عند تقدير الاحتمالية، والسؤال${\displaystyle q_{i}}$تم إسقاطها أيضًا. تاريخ الأسئلة النهائي بعد ذلك هو${\displaystyle {\tilde {H}}(q,I)}$، والاحتمالية معطاة بالصيغة التالية:${\displaystyle \quad {\widehat {P}}(X_{q}=1)={\frac {\#\{I\in T,{\tilde {H}}(q,I)=1,X_{q}(I)=1\}}{\#\{I\in T,{\tilde {H}}(q,I)=1\}}}}$
2. أسئلة السمات : يعتمد مُقدِّر الاحتمالية لأسئلة السمات على عدد الكائنات المُصنَّفة بدلاً من الصور، على عكس أسئلة التحديد. لنفترض سؤال سمة على النحو التالي  : "هل للكائن o _السمة a؟" ، حيث${\displaystyle o_{t}}$هو كائن من النوع${\displaystyle t}$و${\displaystyle a\in A_{t}}$. يترك${\displaystyle A}$لتكن مجموعة السمات المعروفة مسبقًا بانتمائها إلى${\displaystyle o_{t}}$بسبب التاريخ. دع${\displaystyle {\mathcal {O}}_{\mathbb {T} }}$لتكن مجموعة جميع الكائنات المصنفة (الحقيقة الأساسية) في مجموعة التدريب، ولكل${\displaystyle o\in {\mathcal {O}}_{\mathbb {T} }}$، يترك${\displaystyle {\mathcal {T}}_{\mathbb {T} }(o)}$أن يكون نوع الكائن، و${\displaystyle {\mathcal {A}}_{\mathbb {T} }(o)}$لتكن مجموعة السمات التي تنتمي إلى${\displaystyle o}$ثم يُعطى المُقدِّر بالصيغة التالية: ${\displaystyle \quad P(X_{q}=1)={\frac {\#\{o\in {\mathcal {O}}_{\mathbb {T} }:{\mathcal {T}}_{\mathbb {T} }(o)=t,A\cup \{a\}\subseteq {\mathcal {A}}_{\mathbb {T} }(o)\}}{\#\{o\in {\mathcal {O}}_{\mathbb {T} }:{\mathcal {T}}_{\mathbb {T} }(o)=t,A\subseteq {\mathcal {A}}_{\mathbb {T} }(o)\}}}}$ هذه هي في الأساس نسبة عدد مرات ظهور الكائن${\displaystyle o}$من النوع${\displaystyle t}$مع السمات${\displaystyle A\cup \{a\}}$يحدث في بيانات التدريب، إلى عدد مرات ظهور الكائن${\displaystyle o}$من النوع${\displaystyle t}$مع السمات${\displaystyle A}$يحدث ذلك في بيانات التدريب. عدد كبير من السمات في${\displaystyle A}$يؤدي ذلك إلى مشكلة تباعد مشابهة لمسائل التجسيد. ولمعالجة هذه المشكلة، نقسم السمات إلى مجموعات فرعية مستقلة تقريبًا بشرط انتمائها إلى الكائن.${\displaystyle o_{t}}$على سبيل المثال لـ${\displaystyle t={}}$بالنسبة للشخص، فإن سمات مثل عبور الشارع والوقوف في مكان ثابت ليست مستقلة، لكنها مستقلة إلى حد كبير عن جنس الشخص ، وما إذا كان طفلاً أو بالغاً ، وما إذا كان يحمل شيئاً أم لا . هذه الاستقلالات الشرطية تقلل من حجم المجموعة${\displaystyle A}$وبالتالي التغلب على مشكلة التباعد.
3. أسئلة العلاقات : إن النهج المتبع في أسئلة العلاقات هو نفسه المتبع في أسئلة السمات، حيث يتم النظر في عدد أزواج الكائنات بدلاً من عدد الكائنات، وبالنسبة لافتراض الاستقلال، يتم تضمين العلاقات المستقلة عن سمات الكائنات ذات الصلة والعلاقات المستقلة عن بعضها البعض.

يمكن العثور على أمثلة تفصيلية للتسلسلات هنا . ^{[ 3 ]}

تعتمد الصور المستخدمة في دراسة جيمان وآخرون ^{[ 1 ] على مجموعة بيانات "مشاهد الشوارع الحضرية" [ 1 ]} ، والتي تضم مشاهد لشوارع مدن مختلفة حول العالم. ولهذا السبب، اقتصرت أنواع العناصر في هذه التجربة على الأشخاص والمركبات.

تُعرف مجموعة بيانات أخرى، قدمها معهد ماكس بلانك للمعلوماتية، باسم DAQUAR ^{[ 4 ] [ 5 ]} ، وهي تحتوي على صور واقعية لمشاهد داخلية. لكنهم ^{[ 4 ]} يقترحون نسخة مختلفة من اختبار تورينج البصري، تتبنى نهجًا شموليًا وتتوقع من النظام المشارك إظهار حس سليم شبيه بالحس البشري.

هذا عمل حديث نُشر في 9 مارس 2015 في مجلة وقائع الأكاديمية الوطنية للعلوم ، من قِبل باحثين من جامعة براون وجامعة جونز هوبكنز . يُقيّم هذا العمل مدى فهم أنظمة رؤية الحاسوب للصور مقارنةً بالبشر. حاليًا، يُجرى الاختبار آليًا، لأن التقييم الشفهي من قِبل مُحاور بشري يمنح البشر ميزةً غير عادلة تتمثل في الذاتية، كما أنه يُتوقع منه الحصول على إجابات فورية.

من المتوقع أن يُحدث اختبار تورينج البصري نقلة نوعية في أبحاث رؤية الحاسوب. تستثمر شركات مثل جوجل وفيسبوك ملايين الدولارات في هذا المجال، وتسعى جاهدةً لتطوير أنظمة تحاكي نظام الرؤية البشرية بدقة. وقد أعلنت فيسبوك مؤخرًا عن منصتها الجديدة "M"، التي تُحلل الصور وتُقدم وصفًا لها لمساعدة ضعاف البصر. ^{[ 6 ]} قد تُحقق هذه الأنظمة أداءً متميزًا في اختبار تورينج البصري.