🤖 machine learning

Learning from a single labeled face and a stream of unlabeled data

यह शोध पत्र एक एकल लेबल वाली छवि से वन-क्लास फेस रिकग्निशन (one-class face recognition) की चुनौती को संबोधित करता है, जिसमें एक गैर-पैरामीट्रिक एल्गोरिदम का प्रस्ताव दिया गया है जो मौजूदा बेसलाइन की तुलना में शून्य के करीब फॉल्स पॉजिटिव के साथ काफी उच्च रिकॉल प्राप्त करने के लिए प्रचुर मात्रा में अनलेबल डेटा की एक स्ट्रीम का लाभ उठाता है।

मूल लेखक: Branislav Kveton, Michal Valko

प्रकाशित 2026-05-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Branislav Kveton, Michal Valko

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 सुरक्षा गार्ड को एक विशिष्ट व्यक्ति (मान लीजिए कि वह "बॉब" है) को पहचानने के लिए सिखाने की कोशिश कर रहे हैं ताकि वह दरवाजा खोल सके। लेकिन एक पेच है: आपके पास गार्ड को दिखाने के लिए बॉब की केवल एक ही फोटो है।

सामान्य तौर पर, बॉब को पहचानने के लिए आपको उसकी सैकड़ों तस्वीरों की आवश्यकता होगी: बॉब मुस्कुराते हुए, बॉब उदास होते हुए, बॉब टोपी पहने हुए, बॉब बारिश में। इनके बिना, गार्ड बॉब जैसे दिखने वाले किसी अजनबी को असली बॉब समझ सकता है, या बॉब को उसके खराब हेयर डे (bad hair day) के दौरान पहचानने में विफल हो सकता है।

यह शोध पत्र इस समस्या के एक चतुर समाधान को प्रस्तुत करता है। यह एक गार्ड को एक व्यस्त सड़क का लाइव वीडियो फीड देने जैसा है जहाँ बॉब कभी-कभी गुजरता है, जिसमें हजारों रैंडम अजनबी भी शामिल हैं। गार्ड नहीं जानता कि वे अजनबी कौन हैं, लेकिन वह जानता है कि बॉब कौन है।

यहाँ इस शोध पत्र की विधि दी गई है, जिसे ऑनलाइन मैनिफोल्ड ट्रैकिंग (Online Manifold Tracking - OMT) कहा जाता है, इसे सरल अवधारणाओं में तोड़कर समझाया गया है:

1. समस्या: "एक फोटो" की दुविधा

अधिकांश चेहरा-पहचान प्रणालियाँ उन छात्रों की तरह हैं जिन्हें परीक्षा पास करने के लिए पूरी पाठ्यपुस्तक पढ़ने की आवश्यकता होती है। यदि आप उन्हें केवल एक पन्ना (एक फोटो) देते हैं, तो वे असफल हो जाते हैं। वे यह अनुमान नहीं लगा सकते कि मुस्कुराते या सिर घुमाते समय बॉब का चेहरा कैसे बदलता है क्योंकि उन्होंने कभी भी उन विविधताओं को नहीं देखा है।

2. समाधान: भीड़ से सीखना (बिना लेबल के)

लेखकों ने महसूस किया कि जबकि हमारे पास बॉब की केवल एक फोटो है, हमारे पास कई लोगों का एक वीडियो स्ट्रीम है।

लेबल वाली फोटो: यह बॉब का "आईडी कार्ड" है।
अनलेबल स्ट्रीम: यह चलते हुए लोगों की एक भीड़ है। हम नहीं जानते कि वे कौन हैं, लेकिन हम जानते हैं कि वे बॉब नहीं हैं (ज्यादातर)।

सिस्टम बॉब के चेहरे के "आकार" को सीखने के लिए इस भीड़ का उपयोग करता है। इसे इस तरह सोचें:
कल्पना करें कि बॉब का चेहरा एक 3D स्पेस में मौजूद है। एक अकेली फोटो उस स्पेस में केवल एक बिंदु (dot) है। वीडियो स्ट्रीम हमें बिंदुओं का एक बादल दिखाती है। कुछ बिंदु बॉब हैं (फोटो के समान), और कुछ अजनबी हैं (बहुत अलग)।

एल्गोरिदम का काम बॉब की उस एकल फोटो के चारों ओर एक बुलबुला (bubble) बनाना है।

यदि वीडियो स्ट्रीम में कोई नया चेहरा उस बुलबुले के अंदर आता है, तो वह शायद बॉब है।
यदि वह बुलबुले के बाहर गिरता है, तो वह शायद एक अजनबी है।

3. "स्मार्ट बुलबुला" (ऑनलाइन मैनिफोल्ड ट्रैकिंग)

बुलबुला स्थिर नहीं है; यह जीवित है और सांस लेता है। जैसे-जैसे वीडियो चलता है, सिस्टम दो काम करता है:

यह फ़िल्टर करता है: यह केवल उन चेहरों पर ध्यान देता है जो मूल फोटो की तरह थोड़े बहुत दिखते हैं। यह तुरंत स्पष्ट अजनबियों को अनदेखा कर देता है।
यह मैप करता है: जो चेहरे बॉब जैसे दिखते हैं, उनके लिए यह बॉब का चेहरा कैसे बदलता है, इसका एक "मैप" बनाता है। यदि वीडियो में बॉब मुस्कुराता है, तो मैप उस मुस्कान को शामिल करने के लिए फैलता है। यदि वह अपना सिर घुमाता है, तो मैप उस कोण को शामिल करने के लिए खिंच जाता है।

शोध पत्र इसे "ऑनलाइन मैनिफोल्ड ट्रैकिंग" कहता है।

"मैनिफोल्ड" (Manifold) एक फैंसी गणितीय शब्द है जिसका अर्थ है सभी संभावित तरीकों का "आकार" या "सतह" जिनसे बॉब का चेहरा दिख सकता है।
"ट्रैकिंग" (Tracking) का अर्थ है कि जैसे-जैसे नए वीडियो फ्रेम आते हैं, सिस्टम इस आकार को वास्तविक समय (real-time) में अपडेट करता है।

4. "सिंक" (गलतियों को संभालना)

इसका एक कठिन हिस्सा यह है: क्या होगा यदि कोई अजनबी बॉब के बहुत समान दिखता है? सिस्टम को यह कहने का एक तरीका चाहिए कि, "यह बॉब जैसा दिखता है, लेकिन यह उससे बहुत दूर है।"

लेखकों ने अपने गणितीय मॉडल में एक "सिंक" (जैसे ब्लैक होल) जोड़ा है।

कल्पना करें कि एक रैंडम वॉक (random walk) है। यदि आप बॉब जैसे दिखने वाले चेहरे से शुरू करते हैं, तो आप समान चेहरों की ओर कदम बढ़ाते हैं।
यदि आप बॉब के करीब हैं, तो आप अंततः बॉब द्वारा "अवशोषित" (absorbed) हो जाएंगे (आप कहते हैं, "हाँ, यह वही है!")।
यदि आप दूर हैं (एक अजनबी), तो "सिंक" आपको बॉब तक पहुँचने से पहले ही पकड़ लेगा। यह सिस्टम को उन लोगों से भ्रमित होने से रोकता है जो बस बॉब की तरह थोड़े बहुत दिखते हैं।

5. परिणाम: यह कितनी अच्छी तरह काम कर गया?

शोधकर्ताओं ने वीडियो रिकॉर्डिंग का उपयोग करके 43 अलग-अलग लोगों पर इसका परीक्षण किया।

सेटअप: उन्होंने प्रत्येक व्यक्ति के लिए उन्हें एक फोटो और उस व्यक्ति के साथ अजनबियों की मिली हुई एक वीडियो स्ट्रीम दी।
परिणाम: सिस्टम ने 90% बार सही व्यक्ति की पहचान की, जबकि लगभग शून्य गलतियाँ (false alarms) हुईं।
तुलना: यह मानक "फिशरफेसेस" (Fisherfaces) पद्धति (एक सामान्य चेहरा-पहचान तकनीक) की तुलना में 15% बेहतर था, जब दोनों को एक ही एकल फोटो दी गई थी।

6. यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

कोई भारी ट्रेनिंग नहीं: अन्य प्रणालियों के विपरीत जिन्हें पहले एक लैब में प्रशिक्षित होने के लिए विशाल डेटाबेस की आवश्यकता होती है, यह सिस्टम ऑन-द-फ्लाई (चलते-चलते) सीखता है। यह वास्तव में साइकिल चलाने के दौरान साइकिल चलाना सीखने जैसा है, न कि पहले एक मैनुअल पढ़ने जैसा।
तेज़: यह लगभग 0.05 सेकंड में एक चेहरे को प्रोसेस कर सकता है, जो वास्तविक समय के उपयोग (जैसे फोन अनलॉक करना) के लिए पर्याप्त तेज़ है।
लचीला: यह यह धारणा नहीं बनाता कि बॉब हमेशा एक जैसा दिखता है। यह उम्र बढ़ने, दाढ़ी या हाव-भाव के अनुसार अनुकूलित होता है क्योंकि यह वीडियो स्ट्रीम से खुद सीखता है।

सारांश उपमा (Summary Analogy)

चेहरा पहचान की पुरानी पद्धति को एक दोस्त की एक सिंगल स्नैपशॉट को याद करने की कोशिश के रूप में सोचें ताकि भीड़ में उसे पहचाना जा सके। यदि उसने टोपी पहनी हो या उसके बाल अलग हों, तो आप शायद विफल हो जाएंगे।

इस शोध पत्र की विधि अपने दोस्त को एक चुंबक देने जैसी है। आप चुंबक (एकल फोटो) को पानी की एक नदी (वीडियो स्ट्रीम) में गिराते हैं। चुंबक लोहे के चिप्स (चेहरे जो आपके दोस्त की तरह दिखते हैं) को अपनी ओर खींचता है और एक क्लस्टर बनाता है। भले ही चिप्स बिखरे हुए हों या चल रहे हों, चुंबक जानता है कि कौन से चिप्स क्लस्टर के हैं और कौन से केवल धूल (अजनबी) हैं। यह बिना किसी फोटो लाइब्रेरी की आवश्यकता के, भीड़ में चलते हुए आपके दोस्त को देखकर, आपके दोस्त का एक गतिशील, जीवित मॉडल बनाता है।

यहाँ ब्रानिसलाव क्वेटोन और मिशल वाल्को के शोध पत्र "Learning from a Single Labeled Face and a Stream of Unlabeled Data" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा (Problem Definition)

यह शोध पत्र प्रति व्यक्ति केवल एक लेबल वाली छवि (single labeled image) से चेहरे की पहचान करने की चुनौतीपूर्ण समस्या को संबोधित करता है, विशेष रूप से एक ओपन-वर्ल्ड सेटिंग में जहाँ:

एकल सकारात्मक लेबल (Single Positive Label): विशिष्ट लक्षित व्यक्ति की केवल एक छवि लेबल की गई है।
कोई नकारात्मक लेबल नहीं (No Negative Labels): डेटा स्ट्रीम में अन्य सभी व्यक्ति अनलेबल (unlabeled) हैं। सिस्टम "नकारात्मक" उदाहरणों (अन्य लोगों) का स्पष्ट रूप से मॉडल नहीं बना सकता क्योंकि संभावित छद्मों (impostors) का सेट अनंत और अज्ञात है।
डेटा स्ट्रीम (Data Stream): सिस्टम एक लेबल वाली छवि के साथ अनलेबल वीडियो डेटा (जैसे वेबकैम से) का एक निरंतर प्रवाह प्राप्त करता है।
बाधाएं (Constraints): समाधान को ऑनलाइन (डेटा को वास्तविक समय में प्रोसेस करना), नॉन-पैरामीट्रिक (चेहरों के वितरण के बारे में कोई धारणा न बनाना) और कॉन्सेप्ट ड्रिफ्ट (बदलती उम्र, भाव, प्रकाश) के प्रति मजबूत होना चाहिए।

इसे एक वन-क्लास क्लासिफिकेशन (One-Class Classification) समस्या के रूप में तैयार किया गया है, जहाँ लक्ष्य एक निर्णय सीमा (एक हाइपरस्फीयर) सीखना है जो लक्षित वर्ग को समाहित करती है और आउटलेयर्स (outliers) को खारिज करती है, बिना नकारात्मक उदाहरणों पर स्पष्ट प्रशिक्षण के।

2. कार्यप्रणाली: ऑनलाइन मैनिफोल्ड ट्रैकिंग (Methodology: Online Manifold Tracking - OMT)

लेखक ऑनलाइन मैनिफोल्ड ट्रैकिंग (OMT) का प्रस्ताव करते हैं, जो एक नॉन-पैरामीट्रिक एल्गोरिदम है जो अनलेबल डेटा के प्रवाह का उपयोग करके ऑन-द-फ्लाई चेहरे के मैनिफोल्ड की संरचना को सीखता है। यह विधि दो मुख्य चरणों में विभाजित है:

A. ऑनलाइन डेटा क्वांटाइजेशन (मैनिफोल्ड सन्निकटन)

डेटा के संभावित अनंत प्रवाह को कुशलतापूर्वक संभालने के लिए, OMT डेटा का सारांश देने के लिए ऑनलाइन k-सेंटर क्लस्टरिंग (Online k-Center Clustering) का उपयोग करता है।

प्रतिनिधि चेहरे (Representative Faces): एल्गोरिदम $k$ प्रतिनिधि चेहरों ( $u_t$ ) का एक सेट बनाए रखता है जो देखे गए डेटा को कवर करते हैं।
जनरलाइजेशन रेडियस ( $R$ ): एक चेहरा $x_t$ केवल तभी क्लस्टरिंग के लिए विचार किया जाता है यदि वह एकल लेबल वाली छवि $x_l$ के जनरलाइजेशन रेडियस $R$ के भीतर आता है। यह सुनिश्चित करता है कि मॉडल फीचर स्पेस के अप्रासंगिक क्षेत्रों में बहुत अधिक विस्तार (extrapolate) न करे।
अनुकूली कवरेज (Adaptive Covering): यदि कोई नया चेहरा वर्तमान प्रतिनिधियों में से किसी से भी पर्याप्त दूर है (दूरी $> r$ , जहाँ $r$ कवर रेडियस है), तो उसे सेट में जोड़ दिया जाता है। यदि सेट का आकार $k$ से अधिक हो जाता है, तो कवर रेडियस $r$ को दोगुना कर दिया जाता है, और प्रतिनिधियों को उनके बीच न्यूनतम दूरी बनाए रखने के लिए पुनर्गठित (repartitioned) किया जाता है।
जटिलता (Complexity): यह चरण सुनिश्चित करता है कि मॉडल का आकार सीमित ( $O(k)$ ) रहे और समय के साथ बढ़े नहीं।

B. आइडेंटिटी इन्फरेंस (ग्राफ-आधारित रैंडम वॉक)

एक बार डेटा क्वांटाइज हो जाने के बाद, एल्गोरिदम एक ग्राफ पर रैंडम वॉक (random walk) का उपयोग करके एक नए चेहरे की पहचान करता है।

ग्राफ निर्माण (Graph Construction): ग्राफ में $k$ प्रतिनिधि चेहरे और एकल लेबल वाला चेहरा ( $x_l$ ) शामिल हैं।
सिंक वर्टेक्स (Sink Vertex): नकारात्मक लेबल की कमी को संभालने के लिए, एक विशेष सिंक वर्टेक्स ( $x_0$ ) पेश किया जाता है। यह एक "नकारात्मक" आकर्षण (attractor) के रूप में कार्य करता है। अनलेबल नोड्स को भार $\gamma$ के साथ $x_0$ से जोड़ा जाता है।
एब्जॉर्प्शन प्रोबेबिलिटी (Absorption Probabilities): एल्गोरिदम उस संभावना की गणना करता है कि अनलेबल चेहरे $x_t$ $x_{t}$ से शुरू होने वाला रैंडम वॉक लेबल वाले चेहरे $x_l$ $x_{l}$ द्वारा अवशोषित (absorbed) होगा या सिंक $x_0$ $x_{0}$ द्वारा।
- यदि वॉक $x_l$ द्वारा अवशोषित होता है, तो चेहरा संभवतः लक्षित व्यक्ति है।
- यदि $x_0$ द्वारा अवशोषित होता है, तो यह संभवतः एक आउटलेयर है।
हारमोनिक समाधान (Harmonic Solution): अवशोषण संभावनाओं की गणना ग्राफ के कॉम्बिनेटोरियल लैपलेसियन (combinatorial Laplacian) का उपयोग करके क्लोज्ड फॉर्म में की जाती है:
$f = (L_{uu} + \gamma I_u)^{-1} W_{ul}$
जहाँ $W$ समानता मैट्रिक्स (similarity matrix) है, $L$ लैपलेसियन है, और $\gamma$ सिंक के प्रति असमिका (dissimilarity) को नियंत्रित करता है।
निर्णय (Decision): यदि किसी चेहरे की अवशोषण संभावना थ्रेशोल्ड $\epsilon$ से अधिक है, तो उसे पॉजिटिव के रूप में वर्गीकृत किया जाता है।

3. प्रमुख योगदान (Key Contributions)

नवीन समस्या प्रारूपण (Novel Problem Formulation): यह शोध पत्र एकल लेबल वाली छवि और अनलेबल डेटा की स्ट्रीम के साथ एक ओपन-वर्ल्ड सेटिंग में वन-क्लास क्लासिफिकेशन के रूप में फेस रिकग्निशन को औपचारिक रूप देता है, जो नकारात्मक उदाहरणों की कमी को संबोधित करता है।
ऑनलाइन मैनिफोल्ड ट्रैकिंग (OMT): एक नया एल्गोरिदम जो ऑफलाइन प्रशिक्षण या व्यापक लेबल वाले डेटा की आवश्यकता के बिना वास्तविक समय में चेहरों के लो-डायमेंशनल मैनिफोल्ड को ट्रैक करता है।
नॉन-पैरामीट्रिक अनुकूलन (Non-Parametric Adaptation): यह विधि चेहरे के वितरण के बारे में कोई धारणा नहीं बनाती, जिससे यह स्वाभाविक रूप से अभिव्यक्ति, मुद्रा (pose) और उम्र में बदलाव के अनुकूल हो जाती है।
फीचर्स के साथ पूरकता (Complementarity with Features): लेखक प्रदर्शित करते हैं कि OMT डिस्क्रिमिनेटिव फीचर्स का विकल्प नहीं बल्कि एक पूरक परत है। इसे प्रदर्शन में सुधार के लिए मौजूदा फीचर्स (जैसे फिशरफेस) के ऊपर लागू किया जा सकता है।
दक्षता (Efficiency): एल्गोरिदम में सीमित समय और स्थान जटिलता ( $O(k^3)$ प्रति स्टेप, कुल समय $t$ से स्वतंत्र) है, जो इसे वास्तविक समय के अनुप्रयोगों के लिए उपयुक्त बनाती है (लगभग 0.05 सेकंड प्रति चेहरा)।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन VidTIMIT डेटासेट पर किया गया जिसमें 43 लोग थे। सेटअप में लक्षित व्यक्ति के वीडियो स्ट्रीम में अन्य लोगों के यादृच्छिक "आउटलेयर" चेहरों को डालकर एक वास्तविक, शोर युक्त वातावरण बनाया गया।

प्रदर्शन (Performance):
- OMT ने लगभग शून्य ( $10^{-4}$ ) के फाल्स पॉजिटिव रेट (FPR) पर 90% ट्रू पॉजिटिव रेट (TPR) प्राप्त किया।
- यह समान FPR पर फिशरफेस (Fisherfaces) की तुलना में 15% का सुधार है।
- इसने उसी एकल लेबल वाली छवि पर प्रशिक्षित मानक 1-नेयरेस्ट नेबर (1-NN) क्लासिफायर से काफी बेहतर प्रदर्शन किया (50% अधिक TPR)।
सुपरवाइज्ड लर्निंग के समकक्षता: OMT का प्रदर्शन (1 लेबल + अनलेबल डेटा पर प्रशिक्षित) 5 लेबल वाली छवियों पर प्रशिक्षित 5-NN क्लासिफायर के बराबर था, जिससे प्रभावी रूप से अनलेबल स्ट्रीम से 4 अतिरिक्त लेबल वाले उदाहरणों को "सीखना" संभव हुआ।
मजबूती (Robustness): विधि ने दिखाया कि जब पैरामीटर (जैसे $R, k,$ और $\sigma$ ) पूरी तरह से ट्यून नहीं थे, तब भी इसका प्रदर्शन मजबूत रहा।
गति (Speed): सिस्टम ने वास्तविक समय में वीडियो को प्रोसेस किया, औसतन लगभग 0.02 से 0.05 सेकंड में चेहरों को पहचाना।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य महत्वपूर्ण है क्योंकि यह चेहरे की पहचान के एक महत्वपूर्ण अवरोध को हल करता है: प्रत्येक उपयोगकर्ता (जैसे व्यक्तिगत डिवाइस प्रमाणीकरण या हवाई अड्डा सुरक्षा में) के लिए बड़े, लेबल वाले डेटासेट एकत्र करने में असमर्थता।

व्यावहारिकता (Practicality): यह ऐसे सुरक्षित प्रमाणीकरण सिस्टम को सक्षम बनाता है जो एक उपयोगकर्ता के चेहरे को एक सिंगल आईडी फोटो से सीख सकते हैं और उपयोगकर्ता के अपने वीडियो फीड का उपयोग करके समय के साथ अनुकूलित हो सकते हैं, बिना "इम्पोस्टर" डेटा पर स्पष्ट रूप से प्रशिक्षण दिए।
सैद्धांतिक अंतर्दृष्टि (Theoretical Insight): यह दर्शाता है कि अनलेबल डेटा का उपयोग प्रभावी ढंग से एक क्लास मैनिफोल्ड की ज्यामिति सीखने के लिए किया जा सकता है, भले ही नकारात्मक उदाहरणों की अनुपस्थिति हो, ग्राफ-आधारित सेमी-सुपरवाइज्ड लर्निंग तकनीकों का उपयोग करके।
भविष्य की दिशाएं (Future Directions): लेखक सुझाव देते हैं कि समग्र छवियों के बजाय स्थानीय चेहरे के फीचर्स (आंखें, नाक) पर OMT का विस्तार करना, सिंगल-इमेज परिदृश्यों में सटीकता को और बेहतर बना सकता है।

संक्षेप में, OMT गतिशील, ओपन-वर्ल्ड वातावरण में वन-शॉट फेस रिकग्निशन के लिए एक कम्प्यूटेशनल रूप से कुशल, मजबूत और अत्यधिक सटीक समाधान प्रदान करता है।