YOLOv10 with Kolmogorov-Arnold networks and vision-language foundation models for interpretable object detection and trustworthy multimodal AI in computer vision perception
यह शोध पत्र एक व्याख्या योग्य ऑब्जेक्ट डिटेक्शन फ्रेमवर्क प्रस्तावित करता है जो फीचर-आधारित कॉन्फिडेंस ट्रस्टवर्दीनेस (confidence trustworthiness) को विज़ुअलाइज़ करने के लिए कोलोमोगोरोव-आर्नोल्ड नेटवर्क का उपयोग करने और मल्टीमॉडल सीन अंडरस्टैंडिंग के लिए BLIP फाउंडेशन मॉडल्स को एकीकृत करने के माध्यम से स्वायत्त प्रणालियों में YOLOv10 की विश्वसनीयता को बढ़ाता 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 सेल्फ-ड्राइविंग कार चला रहे हैं। अचानक, कार का कंप्यूटर कोहरे में एक आकृति देखता है और कहता है, "वह एक पैदल यात्री है! मुझे 90% यकीन है।" लेकिन कोहरा घना है, और वह आकृति धुंधली है। क्या आपको अचानक ब्रेक मार देने चाहिए, या यह सिर्फ रोशनी का एक भ्रम है?
यही वह समस्या है जिसे यह शोध पत्र हल करता है। यह AI को न केवल यह सिखाने के बारेंे में है कि वह क्या देख रहा है, बल्कि यह भी कि वह जो देख रहा है उस पर उसे कितना भरोसा है, और क्यों है।
यहाँ उनके समाधान का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:
1. विशेषज्ञ जासूस (YOLOv10)
सबसे पहले, सिस्टम एक सुपर-फास्ट AI जासूस का उपयोग करता है जिसे YOLOv10 कहा जाता है। YOLO को एक सुरक्षा गार्ड की तरह समझें जो किसी व्यस्त रेलवे स्टेशन में विशिष्ट लोगों की तलाश में दौड़ रहा है। वह अविश्वसनीय रूप से तेज़ है और चीजों को पहचानने में माहिर है।
- समस्या: कभी-कभी, गार्ड भ्रमित हो जाता है। शायद बारिश हो रही है, या कोई व्यक्ति खंभे के पीछे छिपा हुआ है। गार्ड अभी भी उच्च आत्मविश्वास के साथ चिल्ला सकता है, "मुझे एक व्यक्ति दिख रहा है!", भले ही वह वास्तव में केवल एक अनुमान लगा रहा हो। उसे यह नहीं पता कि वह क्यों अनिश्चित है; वह बस एक संख्या दे देता है।
2. ईमानदार अनुवादक (Kolmogorov-Arnold Network)
यही इस शोध पत्र का मुख्य आकर्षण है। लेखकों ने एक दूसरा AI जोड़ा है जिसे Kolmogorov-Arnold Network (KAN) कहा जाता है।
- उपमा: कल्पना कीजिए कि YOLO गार्ड एक प्रतिभाशाली लेकिन रहस्यमयी जादूगर है जो पहेलियों में बात करता है। आप उससे पूछते हैं, "तुम्हें कितना यकीन है?" और वह कहता है, "75%।" आपको नहीं पता कि यह एक अच्छा अनुमान है या एक किस्मत वाला अनुमान।
- KAN उस जादूगर के बगल में खड़े एक ईमानदार अनुवादक की तरह है। वह चीज़ों को ढूंढने का काम नहीं करता; वह बस जादूगर के नोट्स को देखता है।
- एक 'ब्लैक बॉक्स' होने के बजाय, KAN यह दर्शाने के लिए चिकनी, मुड़ने योग्य रबर बैंड (splines) का उपयोग करता है कि जादूगर का आत्मविश्वास कैसे बदलता है।
- उदाहरण: अनुवादक कह सकता है, "जादूगर 90% सुनिश्चित है क्योंकि वस्तु बड़ी और स्पष्ट है। लेकिन यदि वस्तु धुंधली हो जाती है, तो रबर बैंड मुड़ जाता है, और अनुवादक कहता है, 'हे, जादूगर अब केवल 40% सुनिश्चित है, भले ही वह अभी भी 90% कह रहा हो।'"
- यह हमें देखने की अनुमति देता है कि कौन से कारक (जैसे धुंधलापन, आकार, या स्थिति) AI के आत्मविश्वास को कम कर रहे हैं। यह एक "ब्लैक बॉक्स" को "ग्लास बॉक्स" में बदल देता है।
3. कहानी सुनाने वाला (Vision-Language Model)
चीजों को और अधिक स्पष्ट बनाने के लिए, टीम ने एक तीसरा घटक जोड़ा है: एक विज़न-लैंग्वेज मॉडल (जैसे BLIP)।
- उपमा: यदि KAN गणित को समझाने वाला अनुवादक है, तो यह हिस्सा कथावाचक (narrator) है।
- जबकि KAN नंबरों की गणना कर रहा होता है, कथावाचक दृश्य को देखता है और कहता है, "मैं बारिश में एक पेड़ के पीछे आंशिक रूप से छिपी हुई एक लाल ट्रक देख रहा हूँ।"
- यह एक इंसान को जटिल गणित के साथ मेल खाता हुआ एक त्वरित, आसानी से पढ़ने योग्य वाक्य प्रदान करता है। यह एक सह-पायलट की तरह है जो दृश्य का वर्णन करता है जबकि कंप्यूटर जोखिम की गणना करता है।
यह सब मिलकर कैसे काम करता है
एक कंट्रोल रूम में काम करने वाली एक टीम की कल्पना करें:
- YOLO (गार्ड): एक कार देखता है। "मुझे एक कार दिख रही है!"
- KAN (अनुवादक): स्थितियों की जाँच करता है। "रुको, छवि धुंधली है और कार एक बाड़ (fence) द्वारा कटी हुई है। गार्ड का आत्मविश्वास डगमगा रहा है। मैं इसे 'कम विश्वास' (Low Trust) के रूप में चिह्नित कर रहा हूँ।"
- BLIP (कथावाचक): कहता है, "यह एक बाड़ के पीछे खड़ी एक धुंधली कार की छवि है।"
परिणाम:
सिस्टम आपको केवल एक डिटेक्शन नहीं देता; यह आपको एक ट्रस्ट स्कोर (विश्वास स्कोर) देता है।
- यदि छवि स्पष्ट है, तो सिस्टम कहता है: "उच्च विश्वास। आगे बढ़ें।"
- यदि कोहरा है या कुछ छिपा हुआ है, तो सिस्टम कहता है: "कम विश्वास। मैं निश्चित नहीं हूँ। एक इंसान को इसकी दोबारा जांच करनी चाहिए।"
यह क्यों महत्वपूर्ण है
अतीत में, AI एक ऐसे छात्र की तरह था जिसने टेस्ट में A+ प्राप्त किया लेकिन यह नहीं समझा सका कि उसने गणित की समस्या को कैसे हल किया। यदि छात्र गलत होता था, तो आपको पता ही नहीं चलता था कि वह क्यों गलत था।
यह शोध पत्र एक ऐसा सिस्टम बनाता है जहाँ AI यह स्वीकार करता है कि वह कब अनुमान लगा रहा है। यह "रबर बैंड" वाले गणित (KAN) का उपयोग यह दिखाने के लिए करता है कि AI खराब रोशनी या छिपी हुई वस्तुओं के साथ कब संघर्ष कर रहा है, और दृश्य को साधारण अंग्रेजी में समझाने के लिए एक "कहानी सुनाने वाले" का उपयोग करता है। यह सेल्फ-ड्राइविंग कारों और अन्य AI सिस्टम को सुरक्षित, अधिक पारदर्शी और मनुष्यों के लिए भरोसेमंद 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।