Tokyo, October 14, 2026 - NEC Corporation (NEC؛ TSE: 6701) قامت بتطوير تقنيتين جديدتين لنماذج اللغة البصرية (VLMs)، فهم المنطقة المحلية المعتمد على VLM (*1) والتعلم المستمر لـ VLMs (*2)، ومن المتوقع أن تُستخدم في عمليات الإنقاذ والجهود الاسترداد من قبل الحكومات المحلية والمنظمات الأخرى. يحدد فهم المنطقة المحلية المعتمد على VLM الأضرار الصغيرة التي تظهر في الصور المجمعة من مواقع الكوارث بدقة. يتيح التعلم المستمر لـ VLMs إضافة أنواع جديدة من معلومات الأضرار كمعايير بحث مع الحفاظ على قدرات التعرف الأصلية لـ VLM. هذه التقنيات هي نتيجة للبحث المشترك مع مختبر أوكاتاني في جامعة توهوكو في اليابان.
من المتوقع أن تدعم نماذج اللغة الضخمة جهود الإنقاذ والتعافي من خلال تمكين المستخدمين من البحث عن كميات كبيرة من الصور باستخدام اللغة الطبيعية وتضييق نطاق الصور التي تتطابق مع حالات محددة بكفاءة. لا تقلل تقنيات NEC فقط من احتمال إغفال الأضرار على نطاق صغير، بل تسمح أيضًا بإضافة معايير البحث لاحقًا. في التحقق من NEC، خفضوا الوقت المطلوب لتحديد ظروف الكوارث المحددة إلى أقل من ساعة، وهو ما كان يستغرق تقريبًا 7 ساعات بالتحقق البصري (*3). من خلال هذه التقنيات، تهدف NEC إلى المساهمة في تسريع استجابة الكوارث من قبل الحكومات المحلية والمنظمات الأخرى، مع استهداف التنفيذ العملي للعام المالي 2027.
الخلفية
في السنوات الأخيرة، مع تزايد شدة وتكرار الكوارث الطبيعية، زادت أهمية تقليل الأضرار واتخاذ قرارات سريعة. غالبًا ما توجد عشرات الآلاف من الصور الميدانية فور وقوع الكارثة، لكن يتطلب الأمر جهداً هائلاً ووقتًا لفحصها بصريًا. في هذا السياق، تتوقع توقعات عالية للـ VLMs التي يمكنها تحديد الصور ذات الصلة استنادًا إلى استعلامات نصية لتمكين حتى الفرق الصغيرة من تقييم حالات الكارثة بسرعة.
ومع ذلك، تظهر العديد من أنواع الأضرار الحرجة التي تؤثر على قرارات الإنقاذ والتعافي فقط كتفاصيل صغيرة داخل الصور، تشغل 10٪ أو أقل من مساحة الصورة، وقد تتغاضى VLMs التقليدية عنها (*4). علاوة على ذلك، بينما تتفوق VLMs في التعرف على الأشياء والمواقف الشائعة، قد تواجه صعوبة في تحديد الظواهر غير المألوفة، مثل الأحداث الخاصة بالمنطقة مثل الانزلاقات الأرضية والفيضانات، أو الأضرار التي تم تحديدها حديثًا. علاوة على ذلك، يمكن أن يقلل التدريب الإضافي من دقة الأحداث التي تم التعرف عليها سابقًا (النسيان).لمعالجة هذه التحديات، طورت NEC فهم المنطقة المحلية المعتمد على VLM، الذي يفهم حتى أدق تفاصيل الصور، وتعلم مستمر للـ VLMs، الذي يضيف معلومات جديدة مع الاحتفاظ بالمعرفة الحالية. تم قبول هذه النتائج البحثية كأوراق علمية وعرضها في مؤتمرات الرؤية الحاسوبية الدولية "ECCV 2024" و"ECCV 2026."
قيمة المقترحة
تقلل هذه التقنيات احتمال إغفال الأضرار الصغيرة التي تظهر في الصور الميدانية وتقصّر الوقت المطلوب لتقييم ظروف الأضرار المحددة إلى أقل من ساعة، وهو ما كان يتطلبه الموظفون تقريبًا 7 ساعات للقيام به بصريًا. خلال مرحلة الاستجابة الأولية مباشرة بعد الكارثة، تُسرّع التقييم من خلال عمليات البحث النصية (مثل “الطرق مسدودة بكتل الانهيار الجليدي”). عند اتخاذ قرارات التعافي، تساعد على تحديد أولويات الفحوصات الميدانية من خلال فرز صور الأضرار للطرق والمباني. علاوة على ذلك، يمكن إضافة معايير البحث باستمرار لتمكين الاستجابات المرنة لمخاطر الكوارث غير المتوقعة—مثل الفيضانات بعد الزلزال—والظروف المحلية.
ميزات هذه التقنية
1. كشف دقيق للغاية حتى أدق التفاصيل في الصور، مثل المناطق الصغيرة والمناطق الضيقة
تدمج تقنية NEC الخاصة بفهم المنطقة المحلية المبنية على VLM معلومات المنطقة للمواد داخل الصورة في عملية استخراج ميزات VLM، مما يتيح لها استخراج المعلومات بالتركيز ليس فقط على الصورة الكاملة بل أيضًا على المناطق الصغيرة والمنطقة الضيقة. نتيجة لذلك، أكدت NEC أن حتى المناطق الصغيرة التي تشكل 10٪ أو أقل من الصورة يمكن تحديدها بدقة مماثلة لتلك التي تحقّقها VLM التقليدية للمناطق التي تشكل حوالي 30–40٪ من الصورة. يتيح ذلك للتقنية تحديد الأضرار الصغيرة بدقة، مثل الأضرار الهيكلية الجزئية للمباني أو الشقوق في الطرق، وتوليد أوصاف مفصلة.
2. يمكن إضافة معلومات جديدة مع الحفاظ على قدرات التعرف على VLM الحالية
يستخدم التعلم المستمر للـ VLMs الخاص بـ NEC ليس فقط بيانات تدريب إضافية، بل أيضاً مجموعة متنوعة من الأوصاف التي يُنشئها الـ VLM نفسه قبل التدريب الإضافي. من خلال التعلم من كلا المصدرين معاً، يمكن للنظام التعرف على أحداث جديدة مع تقليل أي انخفاض في الدقة للأحداث التي تم التعرف عليها سابقاً. بما أنه لا حاجة لإعداد حجم كبير من بيانات التدريب التاريخية، يمكن إضافة معايير البحث مراراً وتكراراً في مرحلة لاحقة. يتيح ذلك تضييق الصور باستخدام الأحداث المتعلقة بالكوارث التي تم تعلمها حديثاً والميزات الموجودة مثل الجبال والأنهار كدلائل؛ في تجارب التحقق الخاصة بـ NEC، قلّص هذا عدد الصور التي تتطلب التحقق البشري النهائي من 5,035 إلى متوسط 544 (حوالي ثلثي عشرة)، مما يقلل وقت المراجعة إلى أقل من ساعة (*3).
من خلال هذه التقنيات، ستساعد NEC الحكومات المحلية والمنظمات الأخرى على تقييم حالات الكوارث بسرعة. في المستقبل، بالإضافة إلى صور الموقع على مستوى الأرض، ستدمج NEC هذه التقنيات مع تحليل بيانات المراقبة على نطاق واسع، مثل صور الأقمار الصناعية البصرية والرادار ذات الفتحة الاصطناعية (SAR)، لدعم فهم متعدد الأوجه لظروف الكوارث، وستعزز البحث والتطوير الموجه لمنع الكوارث قبل حدوثها.
Notes
(*1) تقنية A التي تدمج معلومات المنطقة للمواضيع في صورة داخل عملية استخراج ميزات VLM، مما يتيح فهم الصورة مع التركيز على الكائنات الصغيرة والمناطق المحدودة. تم تقديمها في المؤتمر الأوروبي لرؤية الكمبيوتر 2024 (ECCV 2024). [N. Sogi, T. Shibata, and M. Terao, "Object-aware query perturbation for cross-modal image-text retrieval," Proc. ECCV, pp. 447–464, 2024.]
(*2) تقنية تضيف معرفة جديدة مع معاقبة نسيان المعرفة الحالية من خلال أخذ في الاعتبار، أثناء التدريب، الأوصاف التي تولدها VLM قبل التدريب الإضافي. تم تقديمها في المؤتمر الأوروبي لرؤية الكمبيوتر 2026 (ECCV 2026). تم تأكيد فعاليتها في معاقبة النسيان في تقييمات على مجموعات بيانات عامة. [N. Sogi, R. Ohkubo, T. Shibata, M. Terao, Y. Hosoya, and T. Okatani, "CaPCL: Caption-preserved continual learning for text-to-image retrieval," Proc. ECCV, 2026.]
(*3) استناداً إلى التحقق من NEC باستخدام 5,035 صورة كاميرا مثبتة على المركبات مستخرجة من لقطات أرشيفية لزلزال شرق اليابان العظيم، تغطي 12 نوعاً من الأحداث المتعلقة بالكوارث. فحص جميع الصور بصرياً عند 5 ثوانٍ لكل صورة يستغرق تقريباً 7 ساعات. تطبيق هذه التقنيات يقلل الصور لكل حدث مستهدف إلى متوسط 544، ما يقلل الوقت إلى حوالي 45 دقيقة (أقل من ساعة).
(*4) استناداً إلى التحقق من NEC. في مجموعة بيانات الصور المستخدمة، شغلت الأضرار المستهدفة 10٪ أو أقل من مساحة الصورة في نحو 60٪ من الحالات.
عن NEC
يستفيد مجموعة NEC من التكنولوجيا لخلق قيمة اجتماعية وتعزيز عالم أكثر استدامة حيث يملك الجميع فرصة للوصول إلى كامل إمكاناتهم. تأسست شركة NEC Corporation في عام 1899. اليوم، يستخدم حوالي 110,000 موظف في مجموعة NEC تقنيات الذكاء الاصطناعي والأمان والاتصالات الرائدة في العالم لحل أكثر الاحتياجات إلحاحاً لعملاء ومجتمع.
للمزيد من المعلومات، يرجى زيارة nec.xn--com-nwe وتابعنا على LinkedIn وYouTube.
NEC هو علامة تجارية مسجلة لشركة NEC Corporation. جميع الحقوق محفوظة. العلامات التجارية الأخرى أو الخدمات المذكورة هنا هي علامات تجارية لأصحابها المعنيين. ©2026 NEC Corporation.