Advancements in Content-Based Image Retrieval: A Comprehensive Survey of Relevance Feedback Techniques

आधुनिक दुनिया के विशाल डिजिटल पुस्तकालयों में, एक विशिष्ट छवि को खोजना अक्सर घास के ढेर में सुई खोजने जैसा महसूस होता है, लेकिन एक मोड़ के साथ: सुई को किसी लेबल या फ़ाइल नाम द्वारा नहीं, बल्कि इस आधार पर परिभाषित किया जाता है कि वह वास्तव में कैसी दिखती है। यह कंटेंट-बेस्ड इमेज रिट्रीवल (सामग्री-आधारित छवि पुनर्प्राप्ति) का क्षेत्र है, जो कंप्यूटर विज्ञान का एक ऐसा क्षेत्र है जो मशीनों को दृश्य जानकारी को "देखने" और समझने के लिए प्रशिक्षित करने के लिए समर्पित है। मानव-लिखित टैग या कीवर्ड पर निर्भर रहने के बजाय, ये सिस्टम छवि के भीतर कच्चे दृश्य डेटा का विश्लेषण करते हैं, इसे रंग, बनावट और आकार जैसे मौलिक घटकों में तोड़ते हैं। इसका लक्ष्य यह है कि एक उपयोगकर्ता को एक तस्वीर अपलोड करने की अनुमति मिले और कंप्यूटर अन्य ऐसी तस्वीरें वापस करे जो समान दृश्य विशेषताओं को साझा करती हों। हालाँकि, इस तकनीक को पूर्ण बनाने के रास्ते में एक महत्वपूर्ण बाधा लंबे समय से खड़ी है: वह अंतर जो एक कंप्यूटर जो देखता है और एक मनुष्य जिसका अर्थ निकालता है, के बीच है। एक कंप्यूटर पिक्सेल के एक समूह को लाल और हरे रंग के एक विशिष्ट पैटर्न के रूप में पहचान सकता है, जबकि एक मनुष्य उसे "सूर्यास्त" या "वन" के रूप में देखता है। इस विभाजन को पाटने के लिए एक ऐसे तरीके की आवश्यकता है जिससे मशीन मानव के इरादे से सीख सके, और उपयोगकर्ता वास्तव में क्या खोजना चाहता है, इसके आधार पर अपनी खोज को परिष्कृत कर सके।

यह सर्वेक्षण पत्र इस विशिष्ट समस्या को हल करने के उद्देश्य से किए गए अनुसंधान प्रयासों के एक विस्तृत दायरे को समेटे हुए है, जो "रेलेवेंस फीडबैक" (प्रासंगिकता प्रतिक्रिया) नामक एक तकनीक पर केंद्रित है। लेखक, जो ईरान के कई विश्वविद्यालयों के शोधकर्ता हैं, यह रेखांकित करते हैं कि कंप्यूटर सिस्टम उपयोगकर्ता की राय मांगकर अपने खोज परिणामों को कैसे बेहतर बना सकते हैं। इस प्रक्रिया में, एक उपयोगकर्ता एक छवि खोजता है, और सिस्टम उम्मीदवारों की एक सूची वापस करता है। फिर उपयोगकर्ता इनमें से कुछ परिणामों को "प्रासंगिक" या "अप्रासंगिक" के रूप la मार्क करता है। सिस्टम इस फीडबैक का उपयोग अपनी आंतरिक समझ को समायोजित करने के लिए करता है, प्रभावी रूप से यह सीखने के लिए कि उपयोगकर्ता क्या खोज रहा है और परिणामों को अधिक सटीक बनाने के लिए उन्हें पुन: व्यवस्थित करता है। यह पत्र इन सीखने के तरीकों को दो अलग-अलग दृष्टिकोणों में वर्गीकृत करता है: शॉर्ट-टर्म लर्निंग (अल्पकालिक शिक्षण), जो एक एकल खोज सत्र के दौरान तेजी से अनुकूलित होती है, और लॉन्ग-टर्म लर्निंग (दीर्घकालिक शिक्षण), जो समय के साथ उपयोगकर्ता की प्राथमिकताओं का एक संचयी प्रोफाइल बनाती है। लेखक कई अध्ययनों की समीक्षा करते हैं ताकि यह दिखाया जा सके कि कैसे ये तरीके, अक्सर उन्नत मशीन लर्निंग उपकरणों के साथ मिलकर, कच्चे दृश्य डेटा और मानवीय अर्थ के बीच के अंतर को पाटने में मदद कर रहे हैं।

शोधकर्ता उन मुख्य चुनौतियों को रेखांकित करके शुरुआत करते हैं जिन्होंने वर्षों से इमेज रिट्रीवल सिस्टम को परेशान किया है। एक प्रमुख मुद्दा स्केलेबिलिटी (स्केलेबिलिटी) है; जैसे-जैसे डेटाबेस में लाखों छवियां शामिल होने लगती हैं, मिलान खोजने के लिए आवश्यक समय और कंप्यूटिंग शक्ति काफी बढ़ जाती है। एक अन्य निरंतर समस्या "सिमेंटिक गैप" (अर्थ संबंधी अंतर) है, जहाँ कंप्यूटर द्वारा निकाले गए निम्न-स्तरीय फीचर्स सीधे उन उच्च-स्तरीय अवधारणाओं में अनुवादित नहीं होते जिनका उपयोग मनुष्य छवियों का वर्णन करने के लिए करते हैं। इन मुद्दों को संबोधित करने के लिए, यह पत्र जटिल फीचर संयोजनों और मशीन लर्निंग एल्गोरिदम के उपयोग सहित विभिन्न समाधानों का सर्वेक्षण करता है। समीक्षा का एक महत्वपूर्ण हिस्सा इस बात को समर्पित है कि कैसे डीप लर्निंग, विशेष रूप से कन्वेन्शनल न्यूरल नेटवर्क ने परिदृश्य को बदल दिया है। ये नेटवर्क, जिन्हें मानव मस्तिष्क के दृश्य जानकारी को संसाधित करने के तरीके की नकल करने के लिए डिज़ाइन किया गया है, पारंपरिक तरीकों की तुलना में छवियों से बहुत अधिक सार्थक फीचर्स निकाल सकते हैं। लेखक नोट करते हैं कि इन नेटवर्कों का उपयोग सटीकता में सुधार करने के लिए तेजी से किया जा रहा है, जिससे सिस्टम उपयोगकर्ता के इनपुट के आधार पर प्रासंगिक और अप्रासंगिक छवियों के बीच बेहतर अंतर कर पाता है।

यह सर्वेक्षण शॉर्ट-टर्म लर्निंग की कार्यप्रणाली में गहराई से उतरता है, जहाँ सिस्टम एक एकल खोज के दौरान तत्काल समायोजन करता है। पत्र में हाइलाइट किया गया एक अध्ययन एक ऐसी विधि का वर्णन करता है जो एक ही श्रेणी की छवियों को "रिलेटिव्स" (संबंधी) और अलग श्रेणियों की छवियों को "स्ट्रेंजर्स" (अजनबी) के रूप में मानती है। उपयोगकर्ता द्वारा चिह्नित की गई प्रासंगिक छवियों का उपयोग करके, सिस्टम पुनरावृत्ति के माध्यम से अपनी खोज को परिष्कृत कर सकता है, प्रत्येक चरण के साथ अधिक "संबंधियों" को अंदर खींच सकता है और "अजनबियों" को दूर धकेल सकता है। एक अन्य दृष्टिकोण एक वोटिंग सिस्टम शामिल है जहाँ खोज के शीर्ष परिणामों का उपयोग यह तय करने के लिए किया जाता है कि समानता को मापने के लिए कौन सा गणितीय सूत्र सबसे अच्छा काम करता है, यह सुनिश्चित करते हुए कि सिस्टम खोजे जा रहे विशिष्ट प्रकार की छवि के लिए सबसे प्रभावी उपकरण का उपयोग करे। पत्र यह भी चर्चा करता है कि ये सिस्टम चिकित्सा रेडियोग्राफ या उपग्रह फोटो जैसी विशिष्ट प्रकार की छवियों को कैसे संभालते हैं। उदाहरण के लिए, एक अध्ययन ने दिखाया कि मात्रात्मक फीचर्स को उपयोगकर्ता फीडबैक के साथ जोड़ने से एक्स-रे में हड्डी के ट्यूमर को खोजने की सटीकता को एक निम्न आधार रेखा से बहुत उच्च दर तक बढ़ाया जा सकता है, जो इन इंटरैक्टिव तरीकों की व्यावहारिक शक्ति को प्रदर्शित करता है।

लॉन्ग-टर्म लर्निंग एक अलग मार्ग प्रदान करता है, जहाँ सिस्टम एक लंबे समय तक समुदाय के उपयोगकर्ताओं से सीखता है। लेखक "केस-बेस्ड लॉन्ग-टर्म लर्निंग" नामक एक विधि की समीक्षा करते हैं, जो पिछले खोज सत्रों को एक डेटाबेस में संग्रहीत करती है। जब एक नया उपयोगकर्ता खोज शुरू करता है, तो सिस्टम परिणामों का मार्गदर्शन करने के लिए समान पिछले मामलों को खोजता है, प्रभावी रूप से वर्तमान खोज को बेहतर बनाने के लिए पिछले खोजों के सामूहिक ज्ञान का उपयोग करता है। अन्य दीर्घकालिक रणनीतियों में समान पसंद वाले उपयोगकर्ताओं का क्लस्टरिंग करना या दूसरों की प्राथमिकताओं के आधार पर भविष्यवाणी करने के लिए सहयोगी फ़िल्टरिंग (कोलाबोरेटिव फ़िल्टरिंग) का उपयोग करना शामिल है। पत्र सुझाव देता है कि जबकि शॉर्ट-टर्म तरीके अक्सर तत्काल, वास्तविक समय की जरूरतों के लिए अधिक व्यावहारिक होते हैं, लॉन्ग-टर्म दृष्टिकोण समय के साथ उपयोगकर्ता की प्राथमिकताओं की गहरी, अधिक व्यक्तिगत समझ बनाकर निरंतर सुधार प्रदान करते हैं। लेखक यह भी बताते हैं कि इन दोनों दृष्टिकोणों को मिलाने से एक ऐसा सिस्टम बनाया जा सकता है जो तत्काल जरूरतों के प्रति उत्तरदायी और लंबे समय के लिए बुद्धिमान दोनों हो।

पूरे विवरण के दौरान, लेखक इस बात पर जोर देते हैं कि फीडबैक की गुणवत्ता एल्गोरिदम जितनी ही महत्वपूर्ण है। यदि कोई उपयोगकर्ता असंगत या अस्पष्ट फीडबैक प्रदान करता है, तो सिस्टम सीखने में संघर्ष करता है, जिससे खराब परिणाम मिलते हैं। पत्र इन पुनरावृत्ति प्रक्रियाओं की कम्प्यूटेशनल लागत पर भी स्पर्श करता है; उपयोगकर्ता को कई बार फीडबैक देने के लिए कहना खोज को धीमा कर सकता है, जो सटीकता और गति के बीच एक ट्रेड-ऑफ (संतुलन) पैदा करता है। इसे कम करने के लिए, कुछ शोधकर्ता "एक्टिव लर्निंग" नामक एक तकनीक का पता लगा रहे हैं, जिसमें उपयोगकर्ता द्वारा लेबल करने के लिए सबसे सूचनात्मक छवियों को स्वचालित रूप से चुना जाता है, जो सिस्टम को कम उपयोगकर्ता इंटरैक्शन के साथ तेजी से सीखने में मदद करता है। सर्वेक्षण भविष्य के कार्यों के लिए कई दिशाओं की पहचान करते हुए समाप्त होता है, जिसमें डीप लर्निंग का निरंतर एकीकरण, विशाल डेटाबेस के लिए अधिक कुशल एल्गोरिदम का विकास, और बेहतर इंटरफेस का निर्माण शामिल है जो मनुष्यों के लिए मशीनों को अपना दृश्य इरादा समझाने में आसान बनाता है। लेखक सुझाव देते हैं कि इन फीडबैक लूपों को परिष्कृत करना जारी रखकर, तकनीक उस स्थिति के करीब पहुँच सकती है जहाँ कंप्यूटर वास्तव में दृश्य दुनिया को वैसे ही समझते हैं जैसे मनुष्य समझते हैं।