Do vision models perceive illusory motion in static images like humans?
यह शोध पत्र प्रदर्शित करता है कि अधिकांश वर्तमान ऑप्टिकल फ्लो मॉडल 'रोटेटिंग स्नेक्स' (Rotating Snakes) जैसे भ्रम वाले स्थिर चित्रों में आभासी गति को पहचानने में विफल रहते हैं, जबकि रिकरेंट अटेंशन मैकेनिज्म वाला एक मानव-प्रेरित ड्यूल-चैनल मॉडल सिम्युलेटेड सैकेडिक स्थितियों के तहत मानव धारणा को सफलतापूर्वक दोहराता है, जो मशीन और मानव गति प्रसंस्करण के बीच एक महत्वपूर्ण अंतर को उजागर करता 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 सांप की तस्वीर देख रहे हैं जो घूमता हुआ प्रतीत होता है, भले ही वह कागज पर केवल एक सपाट, स्थिर चित्र है। यह "रोटेटिंग स्नेक्स" (Rotating Snakes) भ्रम है। यदि आप इसे देखते हैं, या यदि आपकी आँखें छोटी, अनैच्छिक हलचल (जिसे माइक्रोसैकेड्स कहा जाता है) करती हैं, तो आपका मस्तिष्क आपको वहां गति का अनुभव कराता है जो वास्तव में नहीं है।
लंबे समय से, वैज्ञानिक सोच रहे थे: क्या कंप्यूटर भी इस चाल को देख पाते हैं? या वे इसे केवल एक स्थिर चित्र के रूप में देखते हैं, जैसे कि एक कैमरा जिसके पास दिमाग नहीं होता?
यह शोध पत्र अनिवार्य रूप से एक "जादुई ट्रिक टेस्ट" है आर्टिफिशियल इंटेलिजेंस (AI) के लिए। शोधकर्ताओं ने कई ऑप्टिकल इल्यूजन (दृष्टि भ्रम) तैयार किए और विभिन्न कंप्यूटर विज़न मॉडलों (जो सेल्फ-ड्राइविंग कारों और वीडियो विश्लेषण के पीछे के "दिमाग" हैं) से पूछा कि वे क्या देखते हैं।
यहाँ उनके निष्कर्षों का विवरण दिया गया, सरल उपमाओं का उपयोग करते हुए:
1. परीक्षण: "स्टिल स्नेक" चुनौती
शोधकर्ताओं ने प्रसिद्ध "रोटेटिंग स्नेक्स" छवि ली और इसे 10 अलग-अलग कंप्यूटर मॉडलों को दिखाया। ये मॉडल आमतौर पर वास्तविक गति को ट्रैक करने में विशेषज्ञ होते हैं, जैसे कि सड़क पर चलती कार या फेंबी जा रही गेंद।
- मानवीय अनुभव: जब कोई इंसान सांप को देखता है, तो उसका मस्तिष्क कहता है, "अरे, यह घड़ी की विपरीत दिशा (counter-clockwise) में घूम रहा है!"
- कंप्यूटर का अनुभव: अधिकांश कंप्यूटर मॉडलों ने कहा, "मैं एक चित्र देख रहा हूँ। कुछ भी हिल नहीं रहा है।" वे इस तथ्य से पूरी तरह धोखा खा गए कि छवि स्थिर थी। वे उस "भूतिया" गति को देखने में विफल रहे जिसे मनुष्य महसूस करते हैं।
2. "आंखों की गति" का मोड़
शोधकर्ताओं को एक महत्वपूर्ण बात समझ में आई: इंसान केवल स्थिर होकर नहीं देखते। हमारी आँखें लगातार छोटी, थरथराहट वाली हरकतें (microsaccades) और बड़ी छलांगें (saccades) करती रहती हैं। ये छोटी हरकतें वास्तव में हमारे लिए सांप को घूमते हुए देखने के लिए आवश्यक हैं।
इसलिए, शोधकर्ताओं ने कंप्यूटर के लिए इन आंखों की गतिविधियों का अनुकरण (simulate) किया। उन्होंने स्थिर छवि को थोड़ा "जिटर" (jitter) किया, ठीक वैसे ही जैसे हमारी आँखें करती हैं।
- परिणाम: इस जिटर के बावजूद, अधिकांश कंप्यूटरों ने शोर या केवल जिटर की दिशा के अलावा कुछ नहीं देखा। वे "नकली" घुमाव और "असली" थरथराहट के बीच अंतर नहीं कर सके।
- अपवाद: एक विशिष्ट मॉडल, जिसे "ड्यूल" (Dual) कहा जाता है, ने कुछ देखना शुरू किया। जब छवि में जिटर हुआ, तो ड्यूल मॉडल ने गति का एक प्रवाह (flow) उत्पन्न करना शुरू कर दिया जो थोड़ा सांप के घूमने जैसा दिखता था। यह एकदम सटीक नहीं था, लेकिन यह एकमात्र ऐसा मॉडल था जो मानवीय अनुभव के करीब पहुँचा।
3. "ड्यूल" मॉडल क्यों जीता? (गुप्त नुस्खा)
शोधकर्ता जानना चाहते थे कि ड्यूल मॉडल क्यों विशेष था। उन्होंने इसे एक मैकेनिक की तरह खोलकर देखा जो कार के इंजन को देखकर यह पता लगाता है कि वह कैसे काम करता है।
उन्होंने पाया कि ड्यूल मॉडल के पास मोशन प्रोसेसिंग के लिए एक दो-लेन वाला हाईवे सिस्टम था, जबकि अन्य के पास केवल एक लेन थी।
- लेन 1 (फर्स्ट-ऑर्डर): यह चमक में होने वाले सरल बदलावों को देखती है (जैसे कि एक चलता हुआ साया)।
- लेन 2 (हायर-ऑर्डर): यह अधिक जटिल पैटर्न, जैसे कि बनावट (textures) और आकृतियों की गति को देखती है।
उपमा: कल्पना कीजिए कि आप शोर भरे कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं।
- अधिकांश कंप्यूटर उन माइक्रोफोन की तरह हैं जो केवल तेज और स्पष्ट आवाजों (सरल चमक परिवर्तन) को सुनते हैं। वे फुसफुसाहट को मिस कर देते हैं।
- ड्यूल मॉडल एक ऐसे माइक्रोफोन की तरह है जिसमें दो सेटिंग्स हैं: एक तेज आवाजों के लिए और दूसरी सूक्ष्म फुसफुसाहट के लिए। यह पूरी तस्वीर को समझने के लिए दोनों को मिला देता है।
अध्ययन ने दिखाया कि भ्रम को देखने के लिए, एक कंप्यूटर को दोनों लेन के मिलकर काम करने की आवश्यकता होती है, साथ ही एक "मेमोरी" सिस्टम (recurrent integration) की भी, जो गति को सुचारू बनाने के लिए एक पल पहले देखी गई चीज़ को याद रखता है।
4. मुख्य निष्कर्ष: इंसान बनाम मशीन
मुख्य निष्कर्ष यह है कि वर्तमान AI अभी भी मानव दृष्टि से बहुत अलग है।
- वर्तमान AI: यह एक सुपर-फास्ट, हाई-डेफिनिशन कैमरे की तरह है। यह मापने में अद्भुत है कि एक कार बिंदु A से बिंदु B तक कितनी दूर चली। लेकिन इसमें मानव दृष्टि की "आत्मा" की कमी है। इसमें वे जैविक खामियां नहीं हैं जो हमें स्थिर छवियों में भी गति का अनुभव कराती हैं।
- मानव दृष्टि: हमारा मस्तिष्क एक अव्यवस्थित, जैविक मशीन है जो दुनिया को स्थिर और समृद्ध बनाने के लिए छोटी आंखों की हलचल और जटिल प्रसंस्करण का उपयोग करता है। कभी-कभी, यह शानदार भ्रम पैदा करता है (जैसे घूमता हुआ सांप), लेकिन यह हमें मजबूत और अनुकूलन योग्य भी बनाता है।
यह क्यों मायने रखता है?
आप पूछ सकते हैं, "इससे किसे फर्क पड़ता है कि कंप्यूटर घूमते हुए सांप को देखता है?"
उत्तर है: सुरक्षा और विश्वसनीयता।
यदि हम ऐसी सेल्फ-ड्राइवing कारें या रोबोट बनाना चाहते हैं जो वास्तविक दुनिया में नेविगेट कर सकें, तो उन्हें गति को उसी तरह समझना होगा जैसे इंसान समझते हैं। यदि कोई रोबोट केवल "पिक्सेल विस्थापन" (pixel displacement) देखता है, तो वह उन कठिन स्थितियों में विफल हो सकता है (जैसे कोहरा, प्रतिबिंब, या अजीब रोशनी) जिन्हें एक मानव ड्राइवर आसानी से संभाल लेता है।
इन भ्रमों का अध्ययन करके, वैज्ञानिक यह सीख रहे हैं कि कैसे "जैविक रूप से प्रेरित" (biologically inspired) AI बनाया जाए—ऐसी मशीनें जो केवल गणित की गणना नहीं करतीं, बल्कि वास्तव में दुनिया को वैसे ही देखती हैं जैसे हम देखते हैं।
संक्षेप में: यह शोध पत्र सिद्ध करता है कि हालांकि कंप्यूटर गति देखने में बेहतर हो रहे हैं, फिर भी वे मानवीय धारणा के "जादू" को मिस कर देते हैं। इसे ठीक करने के लिए, हमें ऐसे कंप्यूटर बनाने की आवश्यकता है जो मानव मस्तिष्क के अव्यवस्थित, थरथराहट वाले और दो-लेन वाले प्रसंस्करण की नकल करें।
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।