AffectNet+: A Database for Enhancing Facial Expression Recognition with Soft-Labels
यह शोध पत्र AffectNet+ प्रस्तुत करता है, जो एक उन्नत चेहरे के भाव पहचान (facial expression recognition) डेटासेट है जो मॉडल की सटीकता और यथार्थवाद को सुधारने के लिए समृद्ध मेटाडेटा के साथ मिश्रित भावनाओं (compound emotions) का प्रतिनिधित्व करने वाले सॉफ्ट-लेबल्स प्रदान करके मौजूदा हार्ड-लेबल डेटासेट्स की सीमाओं को संबोधित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को केवल चेहरों की तस्वीरों को देखकर मानवीय भावनाओं को समझना सिखाने की कोशिश कर रहे हैं। यह फेशियल एक्सप्रेशन रिकग्निशन (FER) की दुनिया है, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ मशीनें हमारी मुस्कुराहट, उदासी और गुस्से को पढ़ना सीखती हैं। लंबे समय तक, वैज्ञानिकों ने इन कंप्यूटरों को एक बहुत ही सख्त, ब्लैक-एंड-व्हाइट नियम पुस्तिका का उपयोग करके सिखाया: एक चेहरा या तो "खुश" है, "दुखी" है, या "क्रोधित" है, और यही एकमात्र अनुमत उत्तर है। यह एक शिक्षक की तरह है जो छात्र के निबंध को ग्रेड दे रहा है और केवल "अच्छा" या "बुरा" स्वीकार कर रहा है, इस तथ्य को अनदेखा करते हुए कि एक कहानी "ज्यादातर अच्छी लेकिन थोड़ी उदास" भी हो सकती है। समस्या यह है कि वास्तविक मानवीय भावनाएं अव्यवस्थित, जटिल और उलझी हुई होती हैं। हम अक्सर एक ही समय में खुश और आश्चर्यचकित दोनों होते हैं, या क्रोधित होते हैं लेकिन उसे छिपाने की कोशिश कर रहे होते हैं। जब कंप्यूटरों को केवल एक लेबल चुनने के लिए मजबूर किया जाता है, तो वे भ्रमित हो जाते हैं, खासकर जब चेहरे सूक्ष्म हों या जब विभिन्न संस्कृतियों के लोग भावनाओं को अनूठे तरीकों से व्यक्त करते हैं। यह शोध पत्र उस अव्यवस्थित, रंगीन वास्तविकता में कदम रखता है और यह सवाल पूछता है: क्या होगा यदि हम कंप्यूटरों को केवल एक भावना चुनने के लिए मजबूर करना बंद कर दें, और इसके बजाय उन्हें पूरे स्पेक्ट्रम को समझने दें?
इस शोध पत्र के लेखक, डेनवर विश्वविद्यालय के शोधकर्ताओं की एक टीम ने महसूस किया कि मौजूदा फेस डेटाबेस (जैसे प्रसिद्ध AffectNet) के साथ सबसे बड़ी समस्या यह है कि वे "हार्ड लेबल्स" (hard labels) पर निर्भर करते हैं। पुराने सिस्टम में, एक मानव एनोटेटर एक फोटो को देखता है और उस पर एक एकल स्टिकर चिपका देता है, यह कहते हुए, "यह डर है।" लेकिन क्या होगा यदि फोटो में मौजूद व्यक्ति वास्तव में डर और आश्चर्य के मिश्रण को महसूस कर रहा हो? पुराना सिस्टम कंप्यूटर को उस बारीकी को अनदेखा करने के लिए मजबूर करता है, जिससे गलतियाँ होती हैं। इसे ठीक करने के लिए, टीम ने AffectNet+ बनाया, जो एक अगली पीढ़ी का डेटाबेस है जो सॉफ्ट-लेबल्स (soft-labels) पेश करता है।
एक हार्ड लेबल को एक एकल ट्रैफिक लाइट की तरह समझें: यह या तो लाल, पीला या हरा है। दूसरी ओर, एक सॉफ्ट लेबल एक डिमर स्विच (dimmer switch) की तरह है। यह कहने के बजाय कि "यह चेहरा 100% क्रोधित है," एक सॉफ्ट लेबल कह सकता है, "यह चेहरा 60% क्रोधित, 30% भयभीत और 10% घृणा से भरा है।" यह एक साथ होने वाली भावनाओं की तीव्रता और मिश्रण को पकड़ता है। इस नए डेटाबेस को बनाने के लिए, शोधकर्ताओं ने केवल एक व्यक्ति को भावना का अनुमान लगाने के लिए नहीं कहा; उन्होंने एक चतुर दो-चरणीय रोबट प्रणाली का उपयोग किया। सबसे पहले, उन्होंने AI "जासूसों" (एक बाइनरी क्लासिफायर का समूह) की एक टीम को प्रशिक्षित किया ताकि वे एक चेहरे को देखें और पूछें, "क्या यहाँ खुशी का कोई संकेत है? क्या यहाँ उदासी का कोई संकेत है?" उन्होंने यह हर भावना के लिए किया। दूसरे, उन्होंने एक्शन यूनिट्स (AUs) पर आधारित एक प्रणाली का उपयोग किया, जो हमारे चेहरों में सूक्ष्म मांसपेशी गतिविधियों (जैसे भौंह उठाना या नाक सिकोड़ना) की तरह हैं। इन मांसपेशी मानचित्रों को AI के अनुमानों के साथ जोड़कर, उन्होंने प्रत्येक छवि के लिए एक विस्तृत "इमोशन वेक्टर" बनाया।
परिणामस्वरूप एक विशाल डेटासेट प्राप्त हुआ जिसमें 1 मिलियन चित्र हैं, लेकिन एक ट्विस्ट के साथ: अब प्रत्येक चित्र के साथ एक सॉफ्ट-लेबल वेक्टर आता है जो आठ अलग-अलग भावनाओं की संभावना दिखाता है। इसे और भी दिलचस्प बनाने के लिए, लेखकों ने इन चित्रों को तीन कठिनाई स्तरों में वर्गीकृत किया: आसान (जहाँ भावना स्पष्ट है, जैसे एक बड़ी मुस्कान), चुनौतीपूर्ण (जहाँ भावना थोड़ी मिश्रित है), और कठिन (जहाँ भावना इतनी सूक्ष्म या भ्रमित करने वाली है कि मनुष्य भी सहमत होने में संघर्ष करते हैं)। उन्होंने पाया कि डेटा का एक बड़ा हिस्सा—विशेष रूप से तिरस्कार और घृणा जैसी भावनाओं के लिए—"चुनौतीपूर्ण" या "कठिन" श्रेणियों में आता है, जो यह सिद्ध करता कि पुराना "एक चुनें" वाला तरीका बहुत कुछ सच को मिस कर रहा था।
जब उन्होंने इस नए दृष्टिकोण का परीक्षण किया, तो परिणाम उत्साहजनक थे। एक अध्ययन में जहाँ मानव स्वयंसेवकों ने चेहरों को देखा, 65% लोगों ने पुराने हार्ड-लेबल की तुलना में सॉफ्ट-लेबल विवरण को प्राथमिकता दी, यह कहते हुए कि यह बहुत अधिक सटीक और सहज लगा। शोधकर्ताओं ने यह भी दिखाया कि इन सॉफ्ट-लेबल्स का उपयोग करके, कंप्यूटर भावनाओं के बीच अंतर करने के तरीके अधिक सुचारू और यथार्थवादी सीख सकते हैं, बजाय इसके कि वे कठोर सीमाओं पर अटक जाएं। हालांकि यह शोध पत्र यह दावा नहीं करता कि यह भावना पहचान की हर समस्या को हल कर देता है, लेकिन यह सुझाव देता है कि एकल-लेबल सोच से हटकर एक अधिक तरल, बहु-भावना समझ की ओर बढ़ना भावना पहचान के लिए एक महत्वपूर्ण कदम है। इस समृद्ध, अधिक ईमानदार डेटासेट को दुनिया के सामने प्रदान करके, लेखक भविष्य के कंप्यूटरों को मानवीय भावनाओं की जटिल, मिश्रित और सुंदर वास्तविकता को समझने में मदद करने की आशा करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।