عناقيد التعرف على الصور وتقنيات التجميع - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

عناقيد التعرف على الصور

في المثال الموضح في الشكل 4.17، تحتوي صورة البحث على تشابه بنسبة: 40% و 50% و 90% مع بؤر التجميع للعناقيد الصور الثلاث على التوالي، ويُفترض أن تكون نسبة التشابه بين 0% و 100%. وحصل العنقود الثاني على أعلى نسبة تشابه؛ إذ أنه يشتمل على قطط من نفس سلالة ولون القطة المحددة في صورة البحث. كما أن نتائج العنقودين الأول والثالث متقاربة (40% و 50%)؛ إذ يتشابه العنقودان مع صورة البحث بطرائق مختلفة. أما العنقود الأول فيتضمن قططًا يختلف نمط ألوانها تمامًا عن المطلوب، وبالرغم من أن العنقود الثالث يمثل نوعًا مختلفًا من الحيوانات وهو النمر، فإن نمط اللون مشابه لصورة البحث.

تشبه عملية تجميع البيانات المرئية في عناقيد، عملية تجميع البيانات الرقمية أو النصية، ومع ذلك تتطلب الطبيعة الفريدة للبيانات المرئية طرائق متخصصة؛ لتقييم التشابه البصري. وبالرغم من أن الأساليب الأقدم كانت تعتمد على خصائص مصنوعة يدويًا، فقد أدت التطورات الحديثة في التعلم العميق إلى تطوير نماذج قوية يمكنها تلقائيًا أن تتعلم خصائص متطورة من البيانات المرئية غير المعنونة.

يستخدم هذا الدرس مهمة خاصة بتجميع الصور؛ لتوضيح كيف يمكن أن يؤدي استخدام خصائص أكثر تعقيدًا إلى تقديم نتائج أفضل بشكل ملحوظ، وسيوضح هذا الدرس - تحديدًا - ثلاث طرائق مختلفة:

• تسطيح البيانات الأصلية وتجميعها بدون أي هندسة للخصائص.

• تحويل البيانات باستخدام واصف الخصائص (Feature Descriptor) الذي يعتمد على المخطط التكراري للتدرجات الموجهة (HOG) - تعرفت عليه في الدرس السابق - ثم تجميع البيانات المحولة.

• استخدام نموذج الشبكة العصبية؛ لتجميع البيانات الأصلية في مجموعات عنقودية بدون هندسة الخصائص.

مجموعة بيانات LHI-Animal-Faces (وجوه_الحيوانات) التي استخدمت في الدرس السابق وستُستخدم في هذا الدرس أيضًا لتقييم التقنيات المتنوعة لتجميع الصور. وتم تصميم هذه المجموعة في الأصل لمهام التصنيف، وتتضمن العنوان الحقيقي (نوع الحيوان الفعلي) لكل صورة. وفي هذا الدرس، ستُستخدم هذه العناوين فقط للتحقق من صحتها. ولن تُستخدم لتجميع الصور. يجب أن يكون أي أسلوب تجميع أسلوبًا فعالاً وقادرًا على تجميع الصور مع العنوان نفسه، وفي العنقود نفسه، وعلى فصل الصور ذات العناوين المختلفة، ووضعها في عناقيد متباينة.

وزارة التعليم Ministry of Education 2025 - 1447

--- SECTION: شكل 4.17 --- عناقيد التعرف على الصور في المثال الموضح في الشكل 4.17، تحتوي صورة البحث على تشابه بنسبة: 40% و 50% و 90% مع بؤر التجميع للعناقيد الصور الثلاث على التوالي، ويُفترض أن تكون نسبة التشابه بين 0% و 100%. وحصل العنقود الثاني على أعلى نسبة تشابه؛ إذ أنه يشتمل على قطط من نفس سلالة ولون القطة المحددة في صورة البحث. كما أن نتائج العنقودين الأول والثالث متقاربة (40% و 50%)؛ إذ يتشابه العنقودان مع صورة البحث بطرائق مختلفة. أما العنقود الأول فيتضمن قططًا يختلف نمط ألوانها تمامًا عن المطلوب، وبالرغم من أن العنقود الثالث يمثل نوعًا مختلفًا من الحيوانات وهو النمر، فإن نمط اللون مشابه لصورة البحث.تشبه عملية تجميع البيانات المرئية في عناقيد، عملية تجميع البيانات الرقمية أو النصية، ومع ذلك تتطلب الطبيعة الفريدة للبيانات المرئية طرائق متخصصة؛ لتقييم التشابه البصري. وبالرغم من أن الأساليب الأقدم كانت تعتمد على خصائص مصنوعة يدويًا، فقد أدت التطورات الحديثة في التعلم العميق إلى تطوير نماذج قوية يمكنها تلقائيًا أن تتعلم خصائص متطورة من البيانات المرئية غير المعنونة.يستخدم هذا الدرس مهمة خاصة بتجميع الصور؛ لتوضيح كيف يمكن أن يؤدي استخدام خصائص أكثر تعقيدًا إلى تقديم نتائج أفضل بشكل ملحوظ، وسيوضح هذا الدرس - تحديدًا - ثلاث طرائق مختلفة:• تسطيح البيانات الأصلية وتجميعها بدون أي هندسة للخصائص.• تحويل البيانات باستخدام واصف الخصائص (Feature Descriptor) الذي يعتمد على المخطط التكراري للتدرجات الموجهة (HOG) - تعرفت عليه في الدرس السابق - ثم تجميع البيانات المحولة.• استخدام نموذج الشبكة العصبية؛ لتجميع البيانات الأصلية في مجموعات عنقودية بدون هندسة الخصائص.مجموعة بيانات LHI-Animal-Faces (وجوه_الحيوانات) التي استخدمت في الدرس السابق وستُستخدم في هذا الدرس أيضًا لتقييم التقنيات المتنوعة لتجميع الصور. وتم تصميم هذه المجموعة في الأصل لمهام التصنيف، وتتضمن العنوان الحقيقي (نوع الحيوان الفعلي) لكل صورة. وفي هذا الدرس، ستُستخدم هذه العناوين فقط للتحقق من صحتها. ولن تُستخدم لتجميع الصور. يجب أن يكون أي أسلوب تجميع أسلوبًا فعالاً وقادرًا على تجميع الصور مع العنوان نفسه، وفي العنقود نفسه، وعلى فصل الصور ذات العناوين المختلفة، ووضعها في عناقيد متباينة.2025 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: شكل 4.17: عناقيد التعرف على الصور Description: A diagram illustrating image clustering. A central query image of an orange cat is shown on the left. Three clusters of images are displayed on the right, labeled 'العنقود الأول', 'العنقود الثاني', and 'العنقود الثالث'. Arrows connect the central cat image to each cluster, indicating similarity percentages. The first cluster contains three white/light-colored cats, the second cluster contains three orange/ginger cats similar to the query cat, and the third cluster contains three tiger faces. Data: The central image (query cat) is compared to three clusters. Cluster 1 (white cats) shows 50% similarity. Cluster 2 (orange cats) shows 90% similarity, indicating a high match. Cluster 3 (tiger faces) shows 40% similarity. The diagram visually represents the concept of image clustering and similarity assessment. Key Values: Query Image: Orange cat, العنقود الأول (Cluster 1): Three white/light-colored cats (Ragdoll, Turkish Angora, white kitten), Similarity to Cluster 1: 50%, العنقود الثاني (Cluster 2): Three orange/ginger cats (tabby, two similar to query cat), Similarity to Cluster 2: 90%, العنقود الثالث (Cluster 3): Three tiger faces, Similarity to Cluster 3: 40% Context: This diagram visually supports the explanation of image clustering, feature descriptors, and similarity assessment in the context of machine learning and computer vision. It illustrates how a query image is matched against existing clusters based on visual features and similarity scores.