ATLASFusion: Aggregation Tracking with Location-Aware Sparse Fusion for Robust Spatio-Temporal Multi-View Pedestrian Tracking

जासूस की दुविधा: पूरी तस्वीर देखना

कल्पना कीजिए कि आप एक व्यस्त शहर के चौक में घूमती भीड़ का पीछा करने की कोशिश कर रहे हैं, लेकिन आप उनके बीच चल नहीं सकते। इसके बजाय, आपको अलग-अलग इमारतों पर लगे सुरक्षा कैमरों की एक टीम पर भरोसा करना होगा, जिनमें से प्रत्येक एक अलग कोण से दृश्य को देख रहा है। यह मल्टी-व्यू मल्टी-ऑब्जेक्ट ट्रैकिंग (MVMOT) की दुनिया है, जो कंप्यूटर विज़न की एक शाखा है जहाँ आर्टिफिशियल इंटेलिजेंस कई कैमरों के वीडियो फीड से एक साथ कई वस्तुओं—जैसे पैदल यात्रियों या कारों—का पीछा करने की कोशिश करता है।

लक्ष्य सरल है: हर व्यक्ति के हिलने-डुलने पर, भले ही वह किसी पेड़ के पीछे गायब हो जाए या एक कैमरे के दृश्य से बाहर निकलकर दूसरे में प्रवेश करे, उसके लिए एक सुसंगत "नाम टैग" बनाए रखना। हालाँकि, इसमें एक पेचीदा समस्या है। इन सभी अलग-अलग कोणों को समझने के लिए, कंप्यूटर अक्सर 3D दुनिया को एक एकल, टॉप-डाउन मैप में बदलने की कोशिश करते हैं जिसे बर्ड्स-आई-व्यू (BEV) कहा जाता है। इसे इस तरह सोचें जैसे आप कागज के एक मुड़े हुए टुकड़े को मेज पर सीधा बिछाने की कोशिश कर रहे हैं; केंद्र के पास के हिस्से फैल जाते हैं, और किनारों के पास के हिस्से दब जाते हैं। डिजिटल दुनिया में, यह "फैलाव" दूर खड़े लोगों की विशेषताओं को विकृत (distort) कर देता है, जिससे कंप्यूटर के लिए यह पहचानना मुश्किल हो जाता है कि कौन कौन है। यदि कंप्यूटर किसी व्यक्ति के आकार या स्थान को लेकर भ्रमित हो जाता है, तो वह उनका ID टैग खो सकता है या उन्हें किसी और के साथ मिला सकता है। यह शोध ठीक इसी विरूपण (distortion) की समस्या को हल करने के लिए है ताकि कंप्यूटर लोगों को अधिक विश्वसनीय रूप से ट्रैक कर सकें।

---

ATLASFusion: स्मार्ट मैप मेकर

इस अध्ययन के पीछे के शोधकर्ताओं ने, जिनका नेतृत्व केइसके टोइडा (Keisuke Toida) और सहयोगियों ने किया, ATLASFusion नामक एक नया सिस्टम पेश किया है। आप इस सिस्टम को एक सुपर-स्मार्ट मैप मेकर के रूप में देख सकते हैं जो "फैलाव" की समस्या को अंतिम तस्वीर खराब करने से रोकने के लिए तैयार है। सभी कैमरा दृश्यों को बिना सोचे-समझे एक साथ कुचलने के बजाय, ATLASFusion ट्रैकिंग को सटीक और मजबूत रखने के लिए तीन चतुर तरीकों का उपयोग करता है।

1. "नो-स्ट्रेच" नियम (स्पार्स पर्सपेक्टिव ट्रांसफॉर्म)
कल्पना कीजिए कि आप शहर का नक्शा बनाने की कोशिश कर रहे हैं, लेकिन आपके पास इमारतों को दर्शाने के लिए केवल कुछ ही बिंदु (dots) हैं। यदि आप उन बिंदुओं को एक रबर बैंड से जोड़ने की कोशिश करते हैं (जैसा कि पुराने तरीके करते हैं), तो दूर की इमारतें लंबी, धुंधली लकीरों में खिंच जाती हैं। ATLASFusion कहता है, "नहीं।" खिंचाव के बजाय, यह एक स्पार्स पर्सपेक्टिव ट्रांसफॉर्म का उपयोग करता है। यह केवल कैमरे से प्राप्त वैध, स्पष्ट बिंदुओं को चुनता है और उन्हें मानचित्र पर बिल्कुल वहीं रखता है जहाँ वे होने चाहिए, बिना खाली जगहों को धुंधले अनुमानों से भरने की कोशिश किए। यह लोगों के आकार को संक्षिप्त और विशिष्ट बनाए रखता है, भले ही वे दूर हों, जिससे उस "धुंधली लकीर" के प्रभाव को रोका जा सके जो अन्य प्रणालियों को भ्रमित करता है।

2. नज़दीक की चीज़ों पर भरोसा करना (डेंसिटी-अवेयर वेटेड एग्रीगेशन)
जब आप भीड़ को देखते हैं, तो आप अपने ठीक सामने के लोगों को बहुत स्पष्ट रूप रूप से देख सकते हैं, लेकिन दूर के लोग छोटे और धुंधले दिखाई देते हैं। पुराने तरीके अक्सर धुंधले, दूर के पिक्सेल को स्पष्ट, नज़दीक के पिक्सेल के समान ही मानते थे, जिससे अंतिम मानचित्र बिगड़ जाता था। ATLASFusion इस मामले में अधिक समझदार है। यह डेंसिटी-अवेयर वेटेड एग्रीगेशन का उपयोग करता है, जो हर जानकारी को एक "कॉन्फिडेंस स्कोर" देने जैसा है। यह कहता है, "मैं भीड़ के पीछे के धुंधले विवरणों की तुलना में कैमरे के ठीक सामने खड़े लोगों के विवरणों पर अधिक भरोसा करता हूँ।" विश्वसनीय, नज़दीक के फीचर्स को अधिक महत्व देकर और अस्थिर, दूर के फीचर्स को कम महत्व देकर, यह सिस्टम एक सहज, अधिक सटीक मानचित्र बनाता है, जिसमें वे अजीब खाली स्थान या गलत अलार्म नहीं होते जो सब कुछ औसत निकालने से पैदा होते हैं।

3. "सोलो प्रैक्टिस" ड्रिल (पर-व्यू BEV सुपरविजन)
इससे पहले कि कोई स्पोर्ट्स टीम मिलकर बड़ा मैच खेले, प्रत्येक खिलाड़ी अपनी चालों का व्यक्तिगत रूप से अभ्यास करता है ताकि वे सटीक हो सकें। इसी तरह, कई पिछले ट्रैकिंग सिस्टम केवल यह देखते थे कि अंतिम संयुक्त मानचित्र सही है या नहीं, और इस बात को अनदेखा कर देते थे कि क्या प्रत्येक व्यक्तिगत कैमरा अपना काम ठीक से कर रहा है। ATLASFusion नियमों को बदल देता है। यह पर-व्यू BEV सुपरविजन का उपयोग करता है, जो प्रत्येक कैमरे को मजबूर करता है कि वे डेटा को मिलाने से पहले स्वयं एक अच्छा मानचित्र बनाना सीखें। यह सुनिश्चित करता है कि प्रत्येक कैमरा एक मजबूत, स्वतंत्र खिलाड़ी है। जब वे अंततः अपने डेटा को मिलाने के लिए आते हैं, तो परिणाम बहुत अधिक मजबूत होता है क्योंकि प्रत्येक कैमरे को पहले से ही सटीक होने के लिए प्रशिक्षित किया गया था।

परिणाम: तेज़ आँखें, स्थिर हाथ

टीम ने ATLASFusion का परीक्षण दो प्रसिद्ध डेटासेट्स पर किया: WildTrack, जो एक बाहरी प्लाजा में सात कैमरों से प्राप्त वास्तविक फुटेज का उपयोग करता है, और MultiViewX, जो एक गेम इंजन द्वारा बनाया गया एक सिंथेटिक डेटासेट है। परिणाम प्रभावशाली थे।

WildTrack डेटासेट पर, ATLASFusion ने 95.9% का ट्रैकिंग स्कोर (IDF1) प्राप्त किया, जो तुलना किए गए सभी तरीकों में सबसे अधिक था। इसका अर्थ है कि इसने पैदल यात्रियों की पहचान लगभग पूरी तरह से सही रखी। MultiViewX डेटासेट पर, इसने लोगों के स्थान की सटीकता (MODP) को 75.0% से बढ़ाकर 89.2% कर दिया।

लेकिन असली जादू तब हुआ जब चीजें अस्त-व्यस्त हुईं। शोधकर्ताओं ने परीक्षण किया कि सिस्टम "शोर" (noise) को कैसे संभालता है, जैसे कि जब कैमरा सेटिंग्स थोड़ी गलत हों (कैलिब्रेशन नॉइज़)। जब उन्होंने कैमरा सेटिंग्स में भारी शोर जोड़ा, तो एक प्रतिस्पर्धी सिस्टम, 'ट्रैकटैकुलर' (TrackTacular), पूरी तरह विफल हो गया और इसकी सटीकता गिरकर 0.0% हो गई। हालाँकि, ATLASFusion ने मजबूती बनाए रखी और 40.1% सटीकता हासिल की। इसी तरह, जब उन्होंने वीडियो रिज़ॉल्यूशन को कम किया (इमेज को आधा स्पष्ट बनाया), तो एक अन्य सिस्टम 'एमवीटीआर' (MVTr) पूरी तरह से ढह गया, जबकि ATLASFusion की सटीकता में केवल 1.1% की मामूली कमी आई।

सबसे महत्वपूर्ण बात यह है कि लेखकों ने पाया कि इन सभी सुधारों के साथ कंप्यूटर की गति पर लगभग कोई अतिरिक्त लागत नहीं आई। ATLASFusion 9.90 फ्रेम प्रति सेकंड (FPS) पर चला, जो वास्तविक समय (real-time) के उपयोग के लिए पर्याप्त तेज़ है, और इसने बेसलाइन सिस्टम के समान ही मेमोरी का उपयोग किया।

इसका क्या अर्थ है

यह शोध पत्र सुझाव देता है कि अस्वाभाविक खिंचाव से बचकर, धुंधले डेटा की तुलना में विश्वसनीय डेटा पर भरोसा करके, और प्रत्येक कैमरे को स्वतंत्र रूप से सटीक होने के लिए प्रशिक्षित करके, हम बहुत अधिक मजबूत ट्रैकिंग सिस्टम बना सकते हैं। हालाँकि यह सिस्टम अभी भी यह मानकर चलता है कि ज़मीन समतल है और इसके लिए प्री-कैलिब्रेटेड कैमरों की आवश्यकता होती है, लेकिन लेखक दिखाते हैं कि ये तीन तकनीकें उस भ्रम को काफी हद तक कम करती हैं जो विभिन्न कैमरा दृश्यों को मिलाने के दौरान आमतौर पर होता है। यह ऐसे AI जासूस बनाने की दिशा में एक कदम है जो भीड़ का पीछा कभी नहीं खोते, भले ही दृश्य थोड़ा धुंधला हो या कैमरे पूरी तरह से संरेखित (aligned) न हों।