Integrating Skeleton Based Representations for Robust Yoga Pose Classification Using Deep Learning Models
यह अध्ययन 'Yoga-16' डेटासेट प्रस्तुत करता है और यह प्रदर्शित करता है कि कंकाल-आधारित (skeleton-based) निरूपण, विशेष रूप से जब उन्हें MediaPipe Pose इनपुट के साथ VGG16 द्वारा संसाधित किया जाता है, स्वचालित योग मुद्रा वर्गीकरण में 96.09% की सुदृढ़ सटीकता प्राप्त करने के लिए कच्चे इमेज इनपुट से बेहतर प्रदर्शन करते हैं।
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 योग करना सिखाने की कोशिश कर रहे हैं। आप उसे योग मुद्राओं की हजारों तस्वीरें दिखा सकते हैं, लेकिन रोबोट पृष्ठभूमि से विचलित हो सकता है—जैसे कि पैटर्न वाला कालीन, दीवार पर पड़ती धूप, या व्यक्ति की रंगीन शर्ट। उसे लग सकता है कि शर्ट मुद्रा का ही एक हिस्सा है! यह कंप्यूटर विजन (Computer Vision) की चुनौती है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर छवियों को "देखना" और समझना सीखता है। इसे हल करने के लिए, वैज्ञानिक अक्सर पोज़ एस्टिमेशन (Pose Estimation) नामक एक तरकीब का उपयोग करते हैं। इसे एक डिजिटल कंकाल की तरह समझें: पूरे व्यक्ति को देखने के बजाय, कंप्यूटर त्वचा और कपड़ों को हटाकर केवल स्टिक-फिगर जोड़ों और हड्डियों को देखता है। यह कंप्यूटर को मुद्रा के वास्तविक आकार पर ध्यान केंद्रित करने में मदद करता है, जिससे वह अव्यवful पृष्ठभूमि को अनदेखा कर देता है। लेकिन यहाँ एक बड़ा सवाल है: क्या कच्ची (raw) फोटो देखना बेहतर है, या साफ सुथरा कंकाल देखना बेहतर है? और कौन सा "दिमाग" (या डीप लर्निंग मॉडल) इन कंकालों को पढ़ने में सबसे अच्छा है? यह बिल्कुल वही है जो इस शोध पत्र के शोधकर्ता जानना चाहते थे ताकि लोग अपने पास मानव शिक्षक के बिना भी सुरक्षित रूप से योग का अभ्यास कर सकें।
यह शोध पत्र, जिसका शीर्षक "Integrating Skeleton Based Representations for Robust Yoga Pose Classification Using Deep Learning Models" है, मूल रूप से एक विशाल 'टेस्ट टेस्ट' है यह देखने के लिए कि "आंखों" और "दिमाग" का कौन सा संयोजन योग मुद्राओं को पहचानने के लिए सबसे अच्छा काम करता है। लेखकों ने, जो बांग्लादेश के प्रीमियर यूनिवर्सिटी के एक दल हैं, योग की तस्वीरों का अपना विशेष संग्रह "Yoga-16" बनाया है। उन्होंने 16 लोकप्रिय मुद्राओं को चुना, जिनमें "चेयर पोज़" जैसी सरल मुद्राओं से लेकर "लॉर्ड ऑफ द डांस" जैसी कठिन मुद्राएं शामिल हैं, और छवियों को उच्च गुणवत्ता और संतुलित बनाने के लिए उन्हें साफ किया।
अपने विचारों का परीक्षण करने के लिए, उन्होंने अपने कंप्यूटर दिमागों को तस्वीरें खिलाने के तीन अलग-अलग तरीके आजमाए:
- डायरेक्ट इमेजेस (Direct Images): कंप्यूटर को पूरी, कच्ची फोटो दिखाना।
- मीडियापाइप स्केलेटन (MediaPipe Skeletons): कंप्यूटर को एक ऐसी तस्वीर दिखाना जहाँ व्यक्ति को 'मीडियापाइप' नामक टूल का उपयोग करके एक साफ स्टिक-फिगर कंकाल में बदल दिया गया है।
- YOLOv8 स्केलेटन (YOLOv8 Skeletons): कंप्यूटर को एक अलग टूल, YOLOv8 द्वारा बनाया गया स्टिक-फिगर कंकाल दिखाना।
फिर उन्होंने इन तस्वीरों को तीन प्रसिद्ध कंप्यूटर "दिमागों" (डीप लर्निंग मॉडल्स) के माध्यम से चलाया: VGG16, ResNet50, और Xception। ये अलग-अलग प्रकार के अति-तिक्ष्ण छात्रों की तरह हैं, जिनमें से प्रत्येक का पैटर्न सीखने का अपना अनूठा तरीका है।
परिणाम काफी स्पष्ट और कुछ के लिए आश्चर्यजनक थे। शोध पत्र में पाया गया कि स्केलेटन-आधारित प्रतिनिधित्व (skeleton-based representations) विजेता हैं। जब कंप्यूटर ने कच्ची तस्वीरों के बजाय साफ स्टिक-फिगर कंकालों को देखा, तो वह मुद्रा का अनुमान लगाने में बहुत बेहतर रहा। विशेष रूप से, VGG16 मॉडल, जिसे MediaPipe skeletons खिलाया गया था, ने 96.09% की उच्चतम सटीकता प्राप्त की। इसका मतलब है कि इसने लगभग हर बार मुद्रा को सही पहचाना। तुलनात्मक रूप से, जब उसी मॉडल ने कच्ची तस्वीरों को देखा, तो इसकी सटीकता गिरकर 86.33% हो गई। अन्य मॉडल, ResNet50 और Xception भी कच्ची तस्वीरों की तुलना में कंकालों के साथ बेहतर प्रदर्शन करते थे, लेकिन VGG16 चैंपियन रहा।
शोधकर्ताओं ने केवल नंबरों पर ही नहीं रुकना चाहा; उन्होंने कंप्यूटर के दिमाग के अंदर झांकने के लिए Grad-CAM नामक उपकरण का उपयोग किया कि वह क्या देख रहा था। यह पता चला कि मीडियापाइप कंकालों का उपयोग करते समय, कंप्यूटर ने पूरी तरह से महत्वपूर्ण हिस्सों पर ध्यान केंद्रित किया, जैसे कि हाथ का कोण या घुटने का मोड़, और बाकी सब कुछ अनदेखा कर दिया। हालाँकि, उन्होंने पाया कि कंप्यूटर कभी-कभी उन मुद्राओं में भ्रमित हो जाता है जो बहुत समान दिखती हैं, जैसे कि "डॉल्फिन प्लैंक" और "फिश पोज़", क्योंकि उनके स्टिक-फिगर आकार लगभग एक जैसे होते हैं।
यह शोध पत्र स्पष्ट रूप से इस विचार के खिलाफ तर्क देता है कि कच्ची छवियां हमेशा कंप्यूटर को योग सिखाने का सबसे अच्छा तरीका होती हैं। उनके प्रयोग बताते हैं कि पृष्ठभूमि के शोर को हटाना और कंकाल की संरचना पर ध्यान केंद्रित करना सिस्टम को बहुत अधिक विश्वसनीय बनाता है। उन्होंने इस विचार को भी खारिज कर दिया कि सभी स्केलेटन टूल्स समान हैं; उन्होंने पाया कि इस विशिष्ट कार्य के लिए मीडियापाइप टूल ने YOLOv8 टूल की तुलना में अधिक स्थिर और सटीक कंकाल बनाए।
हालाँकि परिणाम प्रभावशाली हैं, लेखक इस दावे में सावधान हैं कि उन्होंने योग को हमेशा के लिए "हल" कर दिया है। वे उल्लेख करते हैं कि उनका डेटासेट, Yoga-16, अपेक्षाकृत छोटा है (प्रत्येक मुद्रा के लिए लगभग 80 चित्र), और उन्होंने अपने परिणामों को ठोस बनाने के लिए क्रॉस-वैलिडेशन का उपयोग किया, जिससे डेटा के विभिन्न हिस्सों पर परीक्षण करने पर भी 93.55% का निरंतर स्कोर प्राप्त हुआ। उन्होंने YouTube से ली गई छवियों के एक नए, कस्टम सेट पर भी अपने मॉडल का परीक्षण किया ताकि देख सकें कि क्या यह वास्तविक दुनिया की अव्यवस्था को संभाल सकता है, और इसने अभी भी अच्छा प्रदर्शन किया, हालांकि सटीकता में थोड़ी गिरावट 93.75% तक आई।
संक्षेप में, यह शोध पत्र सुझाव देता है कि यदि आप एक ऐसा ऐप बनाना चाहते हैं जो लोगों को सही ढंग से योग करने में मदद करे, तो आपको पहले व्यक्ति को डिजिटल कंकाल में बदलना चाहिए और फिर उस कंकाल को पढ़ने के लिए VGG16 मॉडल का उपयोग करना चाहिए। यह योग को अधिक सुलभ बनाने की दिशा में एक कदम है, यह सुनिश्चित करता है कि भले ही आपके पास कमरे में कोई गुरु न हो, आपका डिजिटल सहायक जानता है कि आपकी रीढ़ की हड्डी को कैसे मुड़ना चाहिए।
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।