دمج كاميرات الأحداث بالفيديو التقليدي: حل جديد لرصد الحوادث التي تفوت الأنظمة العادية

بيانات ضخمة لمشكلة قديمة

قاعدة بيانات جديدة تضم 6.3 مليار "حدث" غير متزامن (Asynchronous Events) و376,368 لقطة فيديو، تقف الآن خلف إطار عمل يحمل اسم EVAD، صُمم لحل مشكلة عمرها طويل في كشف الحوادث الشاذة بالفيديو (Video Anomaly Detection): فشل الأنظمة التقليدية عند الحركة السريعة، أو الوهج الشديد، أو الظلام الدامس.

الورقة البحثية، التي نُشرت على منصة arXiv في 10 يوليو 2026 تحت الرقم (arXiv:2607.09114v1)، تكشف كيف يجمع EVAD بين لقطات كاميرات الفيديو التقليدية وبيانات "كاميرات الأحداث" (Event Cameras)، وهي مستشعرات مستوحاة من آلية عمل العين البشرية. بخلاف الكاميرات العادية التي تسجّل لقطات كاملة على فترات ثابتة، تقوم هذه الكاميرات بتسجيل التغيّر في السطوع لكل بكسل بمجرد حدوثه، فينتج عن ذلك تدفق بيانات متقطّع لكنه فائق السرعة. هذه الطريقة في التصوير غير المتزامن تجعل المستشعر شبه محصّن ضد تشوّش الحركة (Motion Blur)، وأقل حساسية بكثير لتغيّرات الإضاءة القاسية أو المفاجئة، وهما بالضبط النقطتان التي تتعثر فيهما كاميرات الفيديو العادية (RGB) عند محاولة رصد سقوط مفاجئ، أو اقتحام، أو حادث.

وحدة دمج تتكيّف مع المشهد

المساهمة الأساسية للبحث لا تقف عند مجرد ضم نوعين من المستشعرات في نظام واحد. وحدة الدمج التكيفي (Adaptive Fusion Module) داخل EVAD تعمل باستمرار على الموازنة بين الدقة الزمنية لتدفق الأحداث والتفاصيل المكانية والدلالية الغنية التي يوفرها الفيديو التقليدي، وتُعدّل وزن كل مصدر بيانات حسب طبيعة المشهد. في اللقطات المستقرة والجيدة الإضاءة، تتصدر الإشارات المكانية من الفيديو المشهد؛ أما في السيناريوهات السريعة أو ضعيفة الإضاءة، فتتولى معلومات التوقيت القادمة من تدفق الأحداث المهمة.

ولتعليم النموذج معنى "الطبيعي" و"الشاذ" عبر نوعي البيانات، بنى الباحثون منهجية تدريب مسبق تباينية متعددة الوسائط (Contrastive Multi-modal Pretraining). هذه المنهجية تُحاذي التمثيلات الدلالية (Semantic Embeddings) القادمة من تدفقات الأحداث، والفيديو التقليدي، والوصف النصي للمشاهد، ضمن فضاء تمثيل مشترك، بما يسمح للنموذج بتعلّم خصائص تمييزية دون الاعتماد الكلي على أمثلة موصوفة يدويًا للحالات الشاذة. محاذاة البيانات عبر الوسائط أصبحت شائعة في أبحاث الرؤية واللغة (Vision-Language)، لكن تطبيقها على بيانات الأحداث المتقطعة وغير المتزامنة، جنبًا إلى جنب مع الفيديو الكثيف والنص، يبقى مسارًا أقل استكشافًا.

قاعدة بيانات بقدر أهمية النموذج نفسه

يمكن القول إن قاعدة البيانات المرافقة لا تقل أهمية عن النموذج ذاته. طويلًا ظلت أبحاث كشف الحالات الشاذة رهينة لمجموعات بيانات مبنية بالكامل تقريبًا على كاميرات تقليدية وفي ظروف تصوير مثالية نسبيًا. بجمع مليارات الأحداث ومئات آلاف اللقطات عبر مستويات إضاءة وأنماط حركة وتشويش خلفية متفاوتة، يوفر الباحثون للمجال بيئة اختبار أقرب بكثير للواقع الفعلي، مثل كاميرات المراقبة في الأنفاق، أو المستودعات، أو البيئات الخارجية ذات الإضاءة غير المتوقعة.

التطبيقات العملية تمتد إلى المراقبة الأمنية، ومراقبة السلامة الصناعية، والأنظمة ذاتية القيادة التي تحتاج لرصد الأحداث غير المتوقعة في الوقت الفعلي بصرف النظر عن الوهج أو الظلام أو الحركة المفاجئة. مع ذلك، تبقى كاميرات الأحداث فئة عتادية محدودة الانتشار مقارنة بمستشعرات التصوير التقليدية، وقد تحد التكلفة وضعف التوافر من تبنّيها على المدى القريب. رغم ذلك، يشير أسلوب EVAD إلى تحوّل أوسع نحو دمج المستشعرات متعددة الوسائط (Multi-modal Sensor Fusion) كوسيلة لسدّ ثغرات الموثوقية التي تعجز أنابيب معالجة الفيديو التقليدية (RGB) عن حلّها بمفردها.

لم تُسجَّل أي تناقضات أو معلومات متعارضة في المصادر المتعلقة بهذا البحث، وجميع التفاصيل التقنية مستمدة مباشرة من الورقة المنشورة على arXiv.