💻 computer science

Advanced Acceptance Score: A Holistic Measure for Biometric Quantification

यह शोध पत्र 'एडवांस्ड एक्सेप्टेंस स्कोर' (Advanced Acceptance Score) प्रस्तुत करता है, जो हैंड जेस्चर में बायोमेट्रिक क्वांटिफिकेशन के लिए एक समग्र मूल्यांकन माप है जो पारंपरिक त्रुटि-दर-आधारित मेट्रिक्स की सीमाओं को दूर करने के लिए रैंकिंग क्रम, स्कोर प्रासंगिकता, रुझान संरेखण और पहचान पृथक्करण को एकीकृत करता है, तथा कई डेटासेट और मॉडलों पर व्यापक प्रयोगों के माध्यम से इसकी श्रेष्ठ प्रभावकारिता और विश्वसनीयता प्रदर्शित करता है।

मूल लेखक: Aman Verma, Seshan Srirangarajan, Sumantra Dutta Roy

प्रकाशित 2026-02-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aman Verma, Seshan Srirangarajan, Sumantra Dutta Roy

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 टैलेंट स्काउट हैं जो एक उच्च-सुरक्षा वाली इमारत के लिए पासवर्ड के रूप में उपयोग करने के लिए सबसे अच्छे हाथ के संकेतों (hand gestures) को खोजने की कोशिश कर रहे हैं। आपके पास 20 अलग-अलग हाथ के संकेतों की एक सूची है (जैसे "पीस साइन," "थम्स अप," "मुट्ठी," आदि)। आपका लक्ष्य यह पता लगाना है कि इनमें से कौन से संकेत नकल करने में सबसे कठिन हैं और कंप्यूटर द्वारा पहचानने में सबसे आसान हैं।

बायोमेट्रिक्स की दुनिया में, हम इन इशारों को "क्वांटिफाइंग" (quantifying) कहते हैं। लेकिन समस्या यह है: आपको कैसे पता चलेगा कि आपके कंप्यूटर का स्कोरिंग सिस्टम वास्तव में अच्छा काम कर रहा है?

पहले, वैज्ञानिक केवल "त्रुटि दरों" (error rates) को देखते थे (कि कंप्यूटर ने कितनी बार गलती की)। लेकिन यह एक शेफ को केवल इस आधार पर आंकने जैसा है कि उसने कितनी बार स्टेक जला दिया। यह आपको यह नहीं बताता कि जब स्टेक जला नहीं, तो वह स्वादिष्ट था या नहीं। आपको भोजन चखने के लिए एक बेहतर तरीके की आवश्यकता है।

यह पेपर एक नया, ऑल-इन-वन "टेस्ट टेस्ट" पेश करता है जिसे एडवांस्ड एक्सेप्टेंस स्कोर (Advanced Acceptance Score) कहा जाता है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. एक अच्छे स्कोर के चार स्तंभ

लेखक कहते हैं कि वास्तव में यह जानने के लिए कि एक इशारा अच्छा है या नहीं, आपको चार चीजों की जांच करने की आवश्यकता है। इसे एक टैलेंट शो में प्रतियोगी को आंकने जैसा समझें:

रैंकिंग (रैंक डेविएशन - Rank Deviation):
- रूपक (Metaphor): कल्पना कीजिए कि आपके पास "टॉप 10 सबसे सुरक्षित इशारों" की एक सूची है। आपके कंप्यूटर को सबसे सुरक्षित इशारे को नंबर 1 पर और दूसरे सबसे सुरक्षित को नंबर 2 पर, और इसी तरह रखना चाहिए।
- समस्या: यदि आपका कंप्यूटर "थम्स अप" (जिसे नकल करना आसान है) को नंबर 1 पर और "मुट्ठी" (जिसे नकल करना कठिन है) को नंबर 10 पर रखता है, तो रैंकिंग गलत है।
- समाधान: नया स्कोर यह जांचता है कि क्या कंप्यूटर का क्रम "वास्तविक" क्रम से मेल खाता है।
प्रासंगिकता (Relevance - "गोल्डिलॉक्स" नियम):
- रूपक: यह केवल क्रम के बारे में नहीं, बल्कि स्कोर के आकार के बारे में है।
- नियम: यदि किसी इशारे को नंबर 1 (सबसे अच्छा) रैंक किया गया है, तो उसे एक विशाल स्कोर मिलना चाहिए (जैसे 99/100)। यदि किसी इशारे को नंबर 20 (सबसे खराब) रैंक किया गया है, तो उसे एक बहुत छोटा स्कोर मिलना चाहिए (जैसे 1/100)।
- नवाचार: पुराने सिस्टम केवल यह देखते थे कि शीर्ष स्कोर उच्च हैं या नहीं। यह नया सिस्टम यह भी जांचता है कि क्या खराब स्कोर वास्तव में कम हैं। यह सुनिश्चित करता कि एक "शानदार" इशारे और एक "बुरे" इशारे के बीच का अंतर चौड़ा और स्पष्ट हो।
ट्रेंड (The Trend - स्मूथ स्लोप):
- रूपक: कल्पना कीजिए कि एक सीढ़ी है। यदि आप स्टेप 1 से स्टेप 2 पर जाते हैं, तो ऊंचाई का अंतर सुसंगत होना चाहिए।
- समस्या: कभी-कभी कंप्यूटर कहता है कि इशारा A "80" है और इशारा B "81" है, लेकिन उनके बीच का वास्तविक अंतर बहुत बड़ा होना चाहिए (जैसे 80 बनाम 20)। या इसके विपरीत।
- समाधान: नया स्कोर यह जांचता है कि क्या इशारों के बीच के कदम (steps) वास्तविकता से मेल खाते हैं। यह सुनिश्चित करता है कि स्कोर का "ढलान" (slope) प्राकृतिक दिखे, न कि टेढ़ा-मेढ़ा या रैंडम।
एंटैंगलमेंट (The Entanglement - गांठों को सुलझाना):
- रूपक: कल्पना कीजिए कि आपके पास अलग-अलग रंगों की ऊन की गेंदों (जो अलग-अलग लोगों का प्रतिनिधित्व करती हैं) का एक बॉक्स है। यदि ऊन आपस में उलझ गई है, तो आप यह नहीं बता पाएंगे कि किस गेंद का मालिक कौन है।
- समस्या: जेस्चर बायोमेट्रिक्स में, कंप्यूटर कभी-कभी "व्यक्ति A का वेव (wave)" और "व्यक्ति B का वेव" आपस में मिला देता है। वे उलझ जाते हैं।
- समाधान: नया स्कोर उन सिस्टमों को दंडित करता है जो ऊन को उलझा हुआ छोड़ देते हैं। यह चाहता है कि कंप्यूटर अलग-अलग लोगों के इशारों को स्पष्ट रूप से अलग करे।

2. "ऑल-इन-वन" स्कोर

इस पेपर से पहले, वैज्ञानिकों को इन चारों चीजों को अलग-अलग देखना पड़ता था। यह एक कार को उसकी गति, फिर उसके माइलेज, फिर उसकी सुरक्षा रेटिंग और फिर उसके रंग को देखने के बाद, एक साथ जोड़ने जैसा था।

लेखकों ने एडवांस्ड एक्सेप्टेंस स्कोर ( $A^*_r$ ) बनाया है। यह एक एकल संख्या है जो इन चारों स्तंभों को जोड़ती है।

यह रैंकिंग और एंटैंगलमेंट को अधिक महत्व देता है क्योंकि वे सबसे महत्वपूर्ण हैं।
यह प्रासंगिकता और ट्रेंड की जांच को जोड़ता है ताकि नंबरों का अर्थ स्पष्ट हो सके।

3. प्रयोग

लेखकों ने तीन अलग-अलग डेटासेट्स (हाथ के इशारों के वीडियो का संग्रह) का उपयोग करके इस नए "टेस्ट टेस्ट" का परीक्षण किया और पांच अलग-अलग उन्नत AI मॉडल का उपयोग किया।

परिणाम:
जब उन्होंने पुराने तरीकों का उपयोग किया, तो उन्होंने "सर्वश्रेष्ठ" AI मॉडल को चुना, लेकिन उस मॉडल में अक्सर छिपे हुए दोष थे (जैसे उलझी हुई ऊन या अजीब स्कोर जंप)।
जब उन्होंने एडवांस्ड एक्सेप्टेंस स्कोर का उपयोग किया, तो उन्होंने एक संतुलित मॉडल चुना: इसमें सही क्रम, सही स्कोर साइज, स्मूथ ट्रेंड और लोगों के बीच स्पष्ट अलगाव था।

मुख्य निष्कर्ष (The Big Takeaway)

बायोमेट्रिक्स के मूल्यांकन के पुराने तरीके को कार के इंजन के शुरू होने की जांच करने के रूप में सोचें।
यह नया पेपर कहता है, "इतना काफी नहीं है! हमें यह भी जांचना होगा कि क्या कार सुचारू रूप से चलती है, अच्छा माइलेज देती है, और ड्राइवर को झटके नहीं देती।"

इस होलिस्टिक (All-in-One) स्कोर का उपयोग करके, डेवलपर्स अंततः ऐसे हैंड-जेस्चर सुरक्षा सिस्टम बना सकते हैं जो न केवल "ठीक" हैं, बल्कि वास्तव में मजबूत, विश्वसनीय और वास्तविक दुनिया के लिए तैयार हैं। उन्होंने अपना कोड भी सार्वजनिक कर दिया है ताकि कोई भी अपने स्वयं के प्रोजेक्ट के लिए इस नए "टेस्ट टेस्ट" का उपयोग कर सके।

यहाँ शोध पत्र "Advanced Acceptance Score: A Holistic Measure for Evaluating Gesture Biometric Quantification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र हस्त मुद्रा बायोमेट्रिक्स (hand gesture biometrics) में एक महत्वपूर्ण अंतराल को संबोधित करता है: जबकि जेस्चर के "बायोमेट्रिक गुणों" को मापने के लिए ढांचे (जैसे कि DGBQA फ्रेमवर्क) मौजूद हैं, लेकिन परिणामी स्कोर की गुणवत्ता का मूल्यांकन करने के लिए कोई मानकीकृत, समग्र (holistic) विधि नहीं है।

मौजूदा विधियों की सीमाएँ: वर्तमान मूल्यांकन त्रुटि दरों (जैसे Equal Error Rate) या सरल मिलान दरों पर निर्भर करता है, जो वास्तव में स्कोर के मूल्यों का आकलन नहीं करते हैं। मौजूदा क्षमता अनुमान (capacity estimation) साहित्य में विशिष्ट मूल्यांकन मेट्रिक्स का अभाव है।
पिछले कार्य की कमियाँ: लेखकों के पिछले कार्य (Verma et al. [6]) ने रैंक विचलन (Rank Deviation) (क्रम) और एंटैंगलमेंट (Entanglement) (ICGD स्कोर) के आधार पर "एक्सेप्टेंस स्कोर" ( $A_r$ $A_{r}$ ) पेश किया था। हालाँकि, लेखक तर्क देते हैं कि ये आवश्यक तो हैं, लेकिन पर्याप्त नहीं हैं। वे निम्नलिखित कारकों को शामिल करने में विफल रहते हैं:
- प्रासंगिकता (Relevance): क्या उच्च रैंक वाले जेस्चर वास्तव में उच्च स्कोर प्राप्त करते हैं और निम्न रैंक वाले जेस्चर निम्न स्कोर प्राप्त करते हैं।
- ट्रेंड विचलन (Trend Deviation): क्या क्रमिक (consecutive) स्कोर के बीच का परिमाण अंतर (magnitude of difference) ग्राउंड ट्रुथ (ground truth) के अनुरूप है।
- समग्र एकीकरण (Holistic Integration): मौजूदा मेट्रिक्स अक्सर अन्य पहलुओं (जैसे स्कोर परिमाण या फीचर डिसेंटैंगलमेंट) की कीमत पर एक पहलू (जैसे रैंकिंग) को अनुकूलित (optimize) करते हैं।

2. कार्यप्रणाली: एडवांस्ड एक्सेप्टेंस स्कोर ( $A^*_r$ )

लेखक एक एकीकृत मूल्यांकन मीट्रिक प्रस्तावित करते हैं जिसे एडवांस्ड एक्सेप्टेंस स्कोर ( $A^*_r$ ) कहा जाता है, जो चार अलग-अलग डिज़ाइन मानदंडों को एक एकल 'फिगर ऑफ मेरिट' में एकीकृत करता है।

A. डिज़ाइन मानदंड (Design Criteria)

रैंक विचलन ( $\hat{r}$ ): DGBQA आउटपुट स्कोर और ग्राउंड ट्रुथ (जो Equal Error Rates से प्राप्त होता है) के बीच रैंकिंग क्रम के अंतर को मापता है।
प्रासंगिकता ( $R$ ): एक नवीन मीट्रिक जो उच्च-रैंकिंग जेस्चर के लिए उच्च स्कोर और निम्न-रैंकिंग जेस्चर के लिए निम्न स्कोर प्रदान करने पर पुरस्कृत करता है। मानक रिट्रीवल मेट्रिक्स (जैसे DCG) के विपरीत, जो केवल उच्च ग्रेड को पुरस्कृत करते हैं, यह मीट्रिक निम्न-रैंकिंग जेस्चर को दंडित करता है यदि उनके स्कोर उच्च हैं, जिससे एक सही स्कोर वितरण सुनिश्चित होता है।
ट्रेंड विचलन ( $\Psi$ ): यह "ट्रेंड मैच डिस्टेंस" को मापता है। यह DGBQA स्कोर और ग्राउंड ट्रुथ स्कोर के बीच के प्रगति (progression) के अंतर की गणना करता है। यह क्रमिक DGBQA स्कोर के बीच के ढलान (slope) के आधार पर ग्राउंड ट्रुथ मानों का अनुमान लगाने के लिए एक फॉरवर्ड पास और बैकवर्ड पास का उपयोग करता है, जिससे यह सुनिश्चित होता है कि स्कोर के बीच का सापेक्ष अंतराल (relative spacing) भौतिक रूप से सार्थक है।
एंटैंगलमेंट ( $C_d$ ): विभिन्न जेस्चर के पहचान संबंधी फीचर्स के बीच अवशिष्ट एंटैंगलमेंट (residual entanglement) को मापता है (ICGD स्कोर का उपयोग करके)। विश्वसनीय बायोमेट्रिक पृथक्करण के लिए कम एंटैंगलमेंट वांछनीय है।

B. सूत्र (The Formulation)

एडवांस्ड एक्सेप्टेंस स्कोर विशिष्ट वेटिंग और नॉर्मलाइजेशन का उपयोग करके इन मेट्रिक्स को एकत्रित करता है:
$A^*_r(\Delta) = \sum_{j=1}^{G} \left( \frac{2^\lambda R_j}{\exp(\kappa \cdot \|r^\Delta_j - r^{\hat{e}}_j\|_1)} \right) \cdot \frac{1}{\sqrt{\log_2(2 + \nu \Psi)}} \cdot \exp(-\beta C_d)$

रैंक विचलन और एंटैंगलमेंट को 'डिस्काउंटिंग फैक्टर्स' (घातांकीय क्षय/exponential decay) के रूप में माना गया है क्योंकि सही क्रम और फीचर पृथक्करण अनिवार्य पूर्व-शर्तें हैं।
प्रासंगिकता (Relevance) प्राथमिक रिवॉर्ड टर्म है।
ट्रेंड विचलन (Trend Deviation) एक दंड (penalty) के रूप में कार्य करता है।
नॉर्मलाइजेशन: डेटासेट के बीच तुलना करने के लिए स्कोर को सैद्धांतिक अधिकतम (ग्राउंड ट्रुथ वेक्टर का उपयोग करके गणना किया गया) से विभाजित करके एक नॉर्मलाइज्ड संस्करण ( $nA^*_r$ ) बनाया जाता है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक ढांचा: जेस्चर बायोमेट्रिक क्वांटिफिकेशन के मूल्यांकन के लिए चार प्रमुख डिज़ाइन मानदंड (रैंक विचलन, एंटैंगलमेंट, प्रासंगिकता, ट्रेंड विचलन) स्थापित किए।
नवीन प्रासंगिकता माप: एक प्रासंगिकता मीट्रक पेश किया जो रैंक के अनुकूल है, जो शीर्ष जेस्चर के लिए उच्च स्कोर और निचले जेस्चर के लिए निम्न स्कोर को पुरस्कृत करता है, जिससे मानक रिट्रीवल मेट्रिक्स का पूर्वाग्रह (bias) ठीक होता है।
ट्रेंड मैच डिस्टेंस: आउटपुट और ग्राउंड ट्रुथ स्कोर के बीच स्थानीय रुझानों (स्लोप अंतर) का मूल्यांकन करने के लिए एक विधि प्रस्तावित की, जिससे यह सुनिश्चित होता है कि "बायोमेट्रिक सेपरेशन" का परिमाण संरक्षित रहे।
समग्र एकीकरण: इन मेट्रिक्स को $A^*_r$ स्कोर में संयोजित किया, यह प्रदर्शित करते हुए कि एक एकल मीट्रिक को अनुकूलित करना समग्र सिस्टम गुणवत्ता की गारंटी नहीं देता है।
व्यापक सत्यापन: तीन डेटासेट्स (Soli, HandLogin, TinyRadar) और पाँच अत्याधुनिक आर्किटेक्चर (ViViT, MF, MViT, TPN, TAM) पर इस माप का सत्यापन किया।

4. प्रयोगात्मक परिणाम (Experimental Results)

श्रेष्ठ स्कोर चयन: $A^*_r$ मीट्रिक ने लगातार उन मॉडलों का चयन किया जो सभी चार डिज़ाइन मानदंडों को संयुक्त रूप से संतुष्ट करते हैं। इसके विपरीत, व्यक्तिगत मेट्रिक्स (जैसे केवल रैंक विचलन या केवल प्रासंगिकता) उन मॉडलों को चुनते हैं जो एक क्षेत्र में उत्कृष्ट होते हैं लेकिन दूसरे में विफल रहते हैं (जैसे कम रैंक विचलन लेकिन उच्च एंटैंगलमेंट)।
SOTA के साथ तुलना: मौजूदा रिट्रीवल/रैंकिंग मापों (DCG, GRE, U-measure, आदि) के विरुद्ध तुलना करने पर, $A^*_r$ ने बेहतर प्रदर्शन किया क्योंकि इसने ऐसे स्कोर चुने जो न केवल सही क्रम में थे बल्कि जिनका परिमाण भी सही था और जिनमें कम फीचर एंटैंगलमेंट था।
सहसंबंध (Correlation): प्रस्तावित स्कोर ने मौजूदा इष्टतम मापों के साथ सकारात्मक सहसंबंध दिखाया, जिससे इसकी विश्वसनीयता सिद्ध हुई, जबकि ट्रेंड और एंटैंगलमेंट विश्लेषण के माध्यम से अतिरिक्त सूक्ष्मता (granularity) प्रदान की।
एब्लेशन अध्ययन (Ablation Studies): प्रयोगों ने दिखाया कि स्कोर स्केलिंग फैक्टर्स (विशेष रूप से एंटैंगलमेंट के लिए $\beta$ ) के प्रति अत्यधिक संवेदनशील है, जिससे उपयोगकर्ताओं को विशिष्ट अनुप्रयोग प्राथमिकताओं (जैसे ट्रेंड मैचिंग के ऊपर फीचर डिसेंटैंगलमेंट को प्राथमिकता देना) के आधार पर मीट्रिक को ट्यून करने की अनुमति मिलती है।

5. महत्व और प्रभाव (Significance and Impact)

मानकीकरण: यह जेस्चर बायोमेट्रिक क्वांटिफिकेशन के लिए पहला व्यापक, कार्य-विशिष्ट मूल्यांकन ढांचा प्रदान करता है, जो साधारण त्रुटि दरों से आगे बढ़ता है।
विश्वसनीयता: यह सुनिश्चित करता है कि चयनित बायोमेट्रिक सिस्टम न केवल रैंकिंग में सटीक हैं, बल्कि फीचर सेपरेशन (कम एंटैंगलमेंट) और स्कोर परिमाण (ट्रेंड मैचिंग) में भी सुदृढ़ हैं।
सामान्यीकरण (Generalizability): हालांकि यह जेस्चर पर केंद्रित है, इसकी कार्यप्रणाली (रैंकिंग, प्रासंगिकता, ट्रेंड और डिसेंटैंगलमेंट) अन्य बायोमेट्रिक मोडैलिटीज और ग्रेडेड रिट्रीवल समस्याओं पर लागू की जा सकती है।
ओपन सोर्स: लेखकों ने अपना कोड सार्वजनिक किया है, जिससे पुनरुत्पादकता (reproducibility) और आगे के अनुसंधान में सुविधा मिलती है।

संक्षेप में, यह शोध पत्र बायोमेट्रिक मूल्यांकन के प्रतिमान को सरल "सटीकता" से बदलकर एक समग्र गुणवत्ता मूल्यांकन की ओर ले जाता है, यह सुनिश्चित करता है कि क्वांटिफाइड स्कोर न केवल सही क्रम में हैं, बल्कि उनमें व्यावहारिक तैनाती के लिए आवश्यक सही परिमाण और फीचर सेपरेशन भी है।