ما هو توليد الوصف النصي للفيديو Video Captioning؟

توليد الوصف النصي للفيديو (Video Captioning) هو مهمة في تقاطع الرؤية الحاسوبية ومعالجة اللغة الطبيعية، تهدف إلى إنتاج وصف نصي تلقائي يشرح محتوى الفيديو بشكل دقيق ومفهوم للبشر. على عكس تصنيف الفيديو الذي يحدد الفئة فقط، فإن Video Captioning يولد جُملًا كاملة تصف الكائنات، الأحداث، والأفعال التي تجري في الفيديو. لتحقيق ذلك، تُستخدم شبكات عصبية عميقة تعتمد علىCNNs أو 3D CNNs لاستخراج الميزات البصرية من الإطارات، معRNNs أو LSTM/GRU لمعالجة التتابع الزمني، ثم يتم ربط هذه الميزات مع نماذج لغوية (Language Models) لتوليد النص. مؤخرًا، ظهرت تقنيات أكثر تقدمًا مثل المحولات Transformers وتقنية الانتباه Attention Mechanism التي حسّنت من جودة الربط بين المشاهد البصرية والتعبير النصي. يُستخدم Video Captioning في تطبيقات عديدة مثل وصف الفيديوهات لذوي الإعاقة البصرية، تحسين أنظمة البحث عن الفيديوهات، التلخيص التلقائي للمحتوى الإعلامي، والمساعدة في المراقبة الأمنية. وبذلك فهو يمثل خطوة مهمة نحو جعل الآلات قادرة على الفهم الدلالي المتكامل للفيديوهات وتحويلها إلى وصف لغوي غني.