Beyond Nearest Neighbor Interpolation in Data Augmentation
यह शोध पत्र कनवल्शनल न्यूरल नेटवर्क के लिए एक संशोधित डेटा ऑग्मेंटेशन पाइपलाइन का प्रस्ताव करता है जो पिक्सेल-स्तरीय एनोटेशन त्रुटियों और उच्च-आवृत्ति विवरण क्षरण को रोकने के लिए नियरस्ट नेबर इंटरपोलेशन पर निर्भरता को समाप्त करता है, इसके बजाय मेडिकल और एक्स-रे इमेज सेगमेंटेशन डेटासेट में प्रदर्शन लाभ प्राप्त करने के लिए एक मीन-आधारित क्लास फ़िल्टरिंग तंत्र और ऑफलाइन जनरेशन का उपयोग 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 तस्वीरों में विशिष्ट वस्तुओं के चारों ओर रूपरेखा (outlines) पहचानना और बनाना सिखा रहे हैं, जैसे कि एक्स-रे में ट्यूमर ढूंढना या ई-कचरे के ढेर में बैटरियों का पता लगाना। रोबोट को स्मार्ट बनाने के लिए, आप उसे हजारों तस्वीरें दिखाते हैं। लेकिन उसे वाकई स्मार्ट बनाने के लिए, आपको मूल तस्वीरों को घुमाकर, मोड़कर, खींचकर और घुमाकर (rotate करके) नई तस्वीरें बनाकर और भी अधिक तस्वीरें दिखानी पड़ती हैं। इसे डेटा ऑग्मेंटेशन (data augmentation) कहा जाता है।
समस्या यह है, जैसा कि इस शोध पत्र में बताया गया है, कि हम वे नई, मुड़ी-तुड़ी तस्वीरें कैसे बनाते हैं।
पुराना तरीका: "पिक्सेल-परफेक्ट" नकलची
पारंपरिक रूप से, जब हम किसी वस्तु (जैसे कि ट्यूमर) की तस्वीर को घुमाते हैं, तो कंप्यूटर को यह तय करना होता है कि रोटेशन के कारण बने नए, खाली स्थानों में कौन सा रंग भरना है।
- फोटो के लिए: कंप्यूटर आमतौर पर एक सहज, कलात्मक विधि (जैसे रंगों को मिलाना या ब्लेंड करना) का उपयोग करता है ताकि छवि स्वाभाविक दिखे।
- आउटलाइन (मास्क) के लिए: भ्रम से बचने के लिए, कंप्यूटर ऐतिहासिक रूप से "नियरेस्ट नेबर" (nearest neighbor) विधि का उपयोग करते आए हैं। इसे एक पिक्सेलेटेड नकलची की तरह समझें। यदि एक पिक्सेल लाल था, तो नया पिक्सेल बस निकटतम लाल पिक्सेल की एक प्रति मात्र होता है। यह रंगों को मिलाता नहीं है; यह बस पास वाले पिक्सेल पर टिक जाता है।
दोष: लेखक का तर्क है कि यह "टिकने" वाली विधि एक चिकनी वृत्त (circle) बनाने के लिए केवल चौकोर लेगो (Lego) ब्रिक्स का उपयोग करने जैसा है। यह टेढ़े-मेढ़े, सीढ़ीनुमा किनारे बना देता है। ये टेढ़े-मेढ़े किनारे रोबोट को भ्रमित करते हैं क्योंकि वे वास्तविक वस्तु के चिकने घुमावों से मेल नहीं खाते। यह ऐसा है जैसे आप रोबोट को एक ऐसा नक्शा दे रहे हों जिसकी सीमाएं टेढ़ी-मेढ़ी और गलत हैं; वह चिकने किनारों के बजाय टेढ़े-मेढ़े किनारे बनाना सीख जाता है।
नया तरीका: "स्मूथ पेंटर" एक सुरक्षा जाल के साथ
लेखक एक नया दृष्टिकोण प्रस्तावित करते हैं: आउटलाइनों के लिए "स्नैपी" (snappy) नकलची का उपयोग करना बंद कर दें। इसके बजाय, उन्हीं चिकनी, कलात्मक मिश्रण विधियों का उपयोग करें जिनका उपयोग फोटो के लिए किया जाता है, आउटलाइनों के लिए भी।
जोखिम: यदि आप एक आउटलाइन पर रंग मिलाते हैं, तो आपको अजीब, "अपरिभाषित" रंग मिल सकते हैं (जैसे कि एक पिक्सेल जो 50% लाल और 50% नीला है)। रोबोट को नहीं पता कि "आधे-लाल" ट्यूमर के साथ क्या करना है।
समाधान: लेखक ने एक सुरक्षा जाल (जिसे ग्लोबल फ़िल्टर कहा जाता है) बनाया है।
- सुचारू रूप से पेंट करें: पहले, आउटलाइन को घुमाने और खींचने के लिए चिकनी मिश्रण विधि का उपयोग करें। यह बारीक विवरणों और उच्च-आवृत्ति वाली संरचनाओं (छोटी, तीखी किनारों) को सुरक्षित रखता है जिन्हें "स्नैपी" विधि नष्ट कर देती है।
- सुरक्षा जाल: पेंट करने के बाद, सुरक्षा जाल हर पिक्सेल की जांच करता है। यदि कोई पिक्सेल स्पष्ट रूप से एक रंग का है या दूसरे का, तो वह उसे वैसा ही रहने देता है। यदि कोई पिक्सेल एक भ्रमित करने वाला "आधा-आधा" मिश्रण है, तो सुरक्षा जाल आसपास के क्षेत्र के औसत रंग की जांच करता है और उसे या तो पूरी तरह से एक रंग या पूरी तरह से दूसरे रंग में बदल देता है।
उपमा: कल्पना कीजिए कि आप एक रबर बैंड को खींच रहे हैं जिस पर एक चित्र बना हुआ है।
- पुराना तरीका: आप इसे खींचते हैं, लेकिन चित्र ब्लॉक जैसा और पिक्सेलेटेड हो जाता है, जिससे उसका आकार खो जाता है।
- नया तरीका: आप इसे सुचारू रूप से खींचते हैं ताकि चित्र स्पष्ट रहे, लेकिन फिर आप किसी भी धब्बे या धुंधलेपन को ठीक करने के लिए एक स्टैम्प का उपयोग करते हैं, जिससे रेखाएं अभी भी तीखी और स्पष्ट बनी रहें।
जब उन्होंने इसे आजमाया तो क्या हुआ?
लेखक ने इसका परीक्षण तीन अलग-अलग मेडिकल इमेज सेट्स (ब्रेन स्कैन, ब्रेस्ट टिश्यू और कोलोन पॉलिप्स) और एक बैटरी डिटेक्शन सेट पर किया। उन्होंने तीन अलग-अलग "छात्र" रोबोट (न्यूरल नेटवर्क जिन्हें U-Net, SegNet और DeepLabV3+ कहा जाता है) और एक ऑब्जेक्ट डिटेक्टर (YOLO) का उपयोग किया।
परिणाम:
- "छात्रों" के लिए (सेगमेंटेशन): अधिकांश मामलों में, "स्मूथ पेंटर + सेफ्टी नेट" विधि के साथ प्रशिक्षित रोबोट बेहतर प्रदर्शन करता है। इसने साफ, अधिक सटीक आउटलाइन बनाना सीखा। विशेष रूप रूप से, U-Net और SegNet मॉडल के लिए, आउटलाइन के लिए चिकनी मिश्रण विधि (Bicubic) का उपयोग करना स्पष्ट विजेता रहा।
- "डिटेक्टर" के लिए (ऑब्जेक्ट डिटेक्शन): बैटरियों को खोजने के दौरान, स्मूथ विधि ने रोबोट को वस्तुओं को अधिक विश्वसनीयता और उच्च विश्वास के साथ खोजने में मदद की, हालांकि इसने कभी-कभी अन्य विधियों की तुलना में कुल मिलाकर थोड़ी कम वस्तुएं खोजीं।
मुख्य निष्कर्ष
लेखक निष्कर्ष निकालते हैं कि हमें आउटलाइनों को संभालने के लिए "स्मूथ" गणित का उपयोग करने से डरना नहीं चाहिए, जब तक कि हमारे पास बाद में किसी भी भ्रम को साफ करने के लिए एक सुरक्षा जाल (Safety Net) हो। ऐसा करके, हम रोबोट को बुरी आदतें (जैसे टेढ़े-मेढ़े किनारे) सीखने से रोकते हैं और उसे उन वस्तुओं के सूक्ष्म, महत्वपूर्ण विवरणों को संरक्षित करने में मदद करते हैं जिन्हें वह पहचानने की कोशिश कर रहा है।
संक्षेप में: अपने प्रशिक्षण डेटा को घुमाते समय केवल पिक्सेल को कॉपी-पेस्ट न करें। उन्हें सुचारू रूप से मिलाएं, फिर गड़बड़ी को ठीक करने के लिए एक फ़िल्टर का उपयोग करें। यह AI को स्मार्ट और अधिक सटीक बनाता है।
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।