Multi-Scale Spectral Attention Module-based Hyperspectral Segmentation in Autonomous Driving Scenarios

स्वयं-चालित कारें दुनिया को देखने के लिए अपनी आँखों पर निर्भर करती हैं, लेकिन वर्तमान में वे जिन कैमरों का उपयोग करती हैं उनमें एक ब्लाइंड स्पॉट (अंधा क्षेत्र) होता है। मानक कैमरे दुनिया को ठीक वैसे ही देखते हैं जैसे मानव आँख देखती है, जो प्रकाश की तीन व्यापक बैंड्स को कैप्चर करती हैं: लाल, हरा और नीला। यह एक कार को यह बताने के लिए पर्याप्त है कि जमीन का एक हिस्सा सड़क है और आकाश का एक हिस्सा नीला है, लेकिन जब सामग्रियां देखने में एक जैसी लगती हैं परंतु मौलिक रूप से भिन्न होती हैं, तो यह संघर्ष करता है। एक गीली सड़क, बर्फ का एक टुकड़ा और एक गहरा साया, ये सभी एक मानक कैमरे के लिए ग्रे रंग के एक ही शेड के रूप में दिखाई दे सकते हैं, जो एक स्वायत्त वाहन के लिए एक खतरनाक अस्पष्टता पैदा करता है। इसे हल करने के लिए, शोधकर्ता हाइपरस्पेक्ट्रल इमेजिंग नामक एक अधिक शक्तिशाली उपकरण की ओर मुड़ रहे हैं। केवल तीन रंगों के बजाय, ये सेंसर प्रकाश की सैकड़ों संकीर्ण बैंड्स को कैप्चर करते हैं, जिससे प्रत्येक पिक्सेल के लिए एक अद्वितीय स्पेक्ट्रल फिंगरप्रिंट (वर्णक्रमीय उंगलियों के निशान) बनता है। यह एक कंप्यूटर को उनकी चमक के बजाय उनकी रासायनिक संरचना के आधार पर पानी, बर्फ और डामर के बीच अंतर करने की अनुमति देता है। हालाँकि, जबकि यह तकनीक भौतिक दुनिया का एक स्पष्ट दृश्य प्रदान करती है, कंप्यूटर को इन जटिल, उच्च-आयामी छवियों को समझने के लिए सिखाना कठिन साबित हुआ है।

चुनौती इस बात में निहित है कि वर्तमान कंप्यूटर विजन सिस्टम कैसे बनाए जाते हैं। स्वयं-चालित कारों के लिए डिज़ाइन किए गए अधिकांश आर्टिफिशियल इंटेलिजेंस मॉडल मूल रूप से मानक लाल-हरे-नीले (RGB) चित्रों पर प्रशिक्षित थे। जब शोधकर्ता इन मॉडलों में हाइपरस्पेक्ट्रल डेटा डालने की कोशिश करते हैं, तो उन्हें अक्सर सरल आर्किटेक्चर में फिट होने के लिए इस समृद्ध, विस्तृत जानकारी को संकुचित करना पड़ता है, ठीक वैसे ही जैसे एक बड़े, जटिल मानचित्र को एक छोटी जेब में फिट करने की कोशिश करना। यह संपीड़न अनिवार्य रूप से उन सूक्ष्म स्पेक्ट्रल विवरणों को हटा देता है जो हाइपरस्पेक्ट्रल इमेजिंग को इतना मूल्यवान बनाते हैं। इसके अलावा, मौजूदा तरीके अक्सर प्रत्येक कलर बैंड को एक स्वतंत्र सूचना के टुकड़े के रूप में देखते हैं, यह पहचानने में विफल रहते हैं कि एक बैंड में कैप्चर किया गया प्रकाश उसके पड़ोसियों के प्रकाश से भौतिक रूप से संबंधित है। इस अध्ययन के शोधकर्ताओं ने इन स्पेक्ट्रल फिंगरप्रिंट्स को उनके विवरण खोए बिना प्रोसेस करने का एक नया तरीका बनाने के लिए इस विच्छेद को ठीक करने का लक्ष्य रखा।

टीम ने मल्टी-स्केल स्पेक्ट्रल अटेंशन मॉड्यूल (Multi-Scale Spectral Attention Module) नामक एक विशेष उपकरण विकसित किया। कल्पना कीजिए कि एक कैमरा लेंस जो एक ही समय में तीन अलग-अलग फिल्टरों के माध्यम प्रकार से दृश्य को देख सकता है: एक जो सूक्ष्म, तात्कालिक विवरणों पर ध्यान केंद्रित करता है, दूसरा जो मध्यम-दूरी के पैटर्न को देखता है, और तीसरा जो व्यापक, समग्र संदर्भ को देखता है। प्रकाश स्पेक्ट्रा की दुनिया में, इसका अर्थ है कि सिस्टम एक साथ विश्लेषण कर सकता है कि कोई सामग्री रंगों की एक बहुत ही संकीर्ण रेंज, एक मध्यम रेंज और एक विस्तृत रेंज के प्रति कैसे प्रतिक्रिया करती है। इन तीन अलग-अलग "दृष्टिकोणों" को समानांतर में चलाकर, सिस्टम किसी सामग्री के बारीक-दाने वाले रासायनिक हस्ताक्षरों और दृश्य के व्यापक संदर्भ दोनों को कैप्चर कर सकता है। शोधकर्ताओं ने फिर इस उपकरण को UNet नामक एक लोकप्रिय कंप्यूटर विज़न आर्किटेक्चर में एकीकृत किया, विशेष रूप से उन पथों में जो प्रसंस्करण के शुरुआती चरणों से बाद के चरणों तक सूचना ले जाते हैं। यह प्लेसमेंट सुनिश्चित करता है कि समृद्ध स्पेक्ट्रल विवरण सुरक्षित रहें और जैसे-जैसे कंप्यूटर छवि की अपनी अंतिम समझ बनाता है, आगे बढ़ते रहें।

यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण वास्तव में काम करता है, शोधकर्ताओं ने अपने नए सिस्टम को शहरी और ग्रामीण ड्राइविंग दृश्यों वाली कई वास्तविक दुनिया के डेटासेट्स पर लागू किया। इन डेटासेट्स में सड़कें, वाहन, पैदल यात्री और वनस्पतियां शामिल थीं, जिन्हें हाइपरस्पेक्ट्रल कैमरों के साथ कैप्चर किया गया था जो प्रकाश के 15 से 128 अलग-अलग बैंड्स को रिकॉर्ड करते थे। टीम ने अपने नए सिस्टम की तुलना कंप्यूटर विज़न मॉडल के मानक संस्करण से की जिसमें यह विशेष स्पेक्ट्रल टूल नहीं था। परिणाम स्पष्ट थे: मल्टी-स्केल स्पेक्ट्रल अटेंशन से लैस सिस्टम ने लगातार बेहतर प्रदर्शन किया। सभी विभिन्न डेटासेट्स और विभिन्न मॉडल आकारों में, नए दृष्टिकोण ने एक प्रमुख मीट्रिक में औसतन 2.32 प्रतिशत और दूसरे में 2.88 प्रतिशत की सटीकता में सुधार किया। हालांकि ये संख्याएँ छोटी लग सकती हैं, लेकिन स्वायत्त ड्राइविंग की उच्च-जोखिम वाली दुनिया में, एक प्रतिशत का एक अंश भी सुरक्षित स्टॉप और टक्कर के बीच का अंतर हो सकता है।

अध्ययन ने यह भी खुलासा किया कि इस टूल के लिए कोई एक एकल "परफेक्ट" सेटिंग नहीं है जो हर स्थिति में काम करती हो। शोधकर्ताओं ने पाया कि फिल्टरों का सबसे अच्छा संयोजन उपयोग किए जा रहे विशिष्ट डेटासेट पर निर्भर करता है। कुछ डेटासेट्स के लिए, बहुत संकीर्ण, मध्यम और बहुत चौड़े फिल्टरों का संयोजन सबसे अच्छा काम करता था, जबकि अन्य के लिए, आकार का एक अलग मिश्रण बेहतर था। यह सुझाव देता है कि विभिन्न वातावरणों में सामग्रियों के स्पेक्ट्रल हस्ताक्षर अद्वितीय होते हैं, और सिस्टम को उस स्थान के विशिष्ट "प्रकाश भाषा" के अनुसार ट्यून करने की आवश्यकता होती है जिसे वह देख रहा है। इन विविधताओं के बावजूद, मल्टी-स्केल दृष्टिकोण एक एकल फिल्टर आकार का उपयोग करने या कलर बैंड्स को स्वतंत्र रूप से मानने की तुलना में अधिक प्रभावी साबित हुआ।

अन्य उन्नत तरीकों की तुलना में, जो कंप्यूटर को छवि के महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करने में मदद करने की कोशिश करते हैं, नया सिस्टम अपनी जगह बनाए रखने में सफल रहा। इसने सटीकता के स्तर प्राप्त किए जो सर्वोत्तम मौजूदा तकनीकों के प्रतिस्पर्धी हैं, और साथ ही वास्तविक समय के अनुप्रयोगों के लिए उपयोगी होने के लिए शक्तिशाली ग्राफिक्स प्रोसेसर पर पर्याप्त तेजी से चलता है। शोधकर्ताओं ने नोट किया कि इस सिस्टम को मानक कंप्यूटर चिप्स पर अधिक प्रोसेसिंग पावर की आवश्यकता होती है, लेकिन आधुनिक स्वयं-चालित कारों में पाए जाने वाले विशेष हार्डवेयर पर, यह कुशलतापूर्वक कार्य करता है। यह कार्य भविष्य के स्वायत्त ड्राइविंग धारणा के लिए एक ठोस आधार प्रदान करता है। यह सिद्ध करके कि प्रकाश को विभिन्न पैमानों के विवरण के माध्यम से देखना दुनिया को समझने की कंप्यूटर की क्षमता में सुधार करता है, यह अध्ययन जटिल, वास्तविक दुनिया की स्थितियों में स्वयं-चालित कारों को सुरक्षित और अधिक विश्वसनीय बनाने के लिए एक व्यावहारिक मार्ग प्रदान करता है।