Weakly-Supervised Spatiotemporal Anomaly Detection
यह शोध पत्र एक कमजोर रूप से पर्यवेक्षित (weakly-supervised) स्थानिक-कालिक विसंगति पहचान पद्धति प्रस्तावित करता है जो वीडियो क्लिप के भीतर स्थानीयकृत विसंगतियों की पहचान करने के लिए वीडियो-स्तरीय लेबल और एक मल्टीपल इंस्टेंस रैंकिंग लॉस का उपयोग करता है, जो UCF Crime2Local डेटासेट पर अपनी प्रभावशीलता प्रदर्शित 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 सुरक्षा गार्ड हैं जो एक साथ सैकड़ों निगरानी कैमरों को देख रहे हैं। आपका काम कुछ अजीब होते हुए देखना है, जैसे कि कोई लड़ाई या चोरी। समस्या यह है कि आप 24/7 हर स्क्रीन को घूर नहीं सकते, और अजीब चीजें बहुत कम होती हैं। आपको एक कंप्यूटर की मदद की जरूरत है, लेकिन कंप्यूटर को सिखाना मुश्किल है क्योंकि हर वीडियो को "यहाँ लड़ाई हो रही है" या "वहाँ चोरी हो रही है" के साथ लेबल करना बहुत समय लेने वाला काम है।
यह शोध पत्र एक चतुर तरीका प्रस्तावित करता है जिससे आप कंप्यूटर को बिना बहुत अधिक विस्तृत लेबलिंग के अजीब घटनाओं को पहचानने के लिए सिखा सकें। उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है:
द "बॉक्स ऑफ मिस्ट्री" एनालॉजी (कमजोर पर्यवेक्षण - Weak Supervision)
आमतौर पर, कंप्यूटर को सिखाने के लिए, आप उसे एक वीडियो दिखाते हैं और कहते हैं, "क्या आप इस विशिष्ट 5-सेकंड के क्लिप को देख रहे हैं? यह एक लड़ाई है।" लेकिन इस शोध पत्र में, शोधकर्ताओं ने केवल कंप्यूटर को पूरा वीडियो दिया और कहा, "इस वीडियो में कहीं न कहीं एक लड़ाई है," या "यह वीडियो पूरी तरह से सामान्य है।"
वे इसे कमजोर पर्यवेक्षण (Weak Supervision) कहते हैं। यह एक छात्र को मिश्रित लेगो (LEGO) ईंटों का एक पूरा डिब्बा देने जैसा है और कहने जैसा है, "इस डिब्बे में एक लाल ईंट है," बिना यह बताए कि ठीक कौन सी ईंट लाल है। छात्र को खुद पता लगाना होगा कि वह कौन सी है।
द "स्पैटियोटेम्पोरल क्यूब" (इसे टुकड़ों में तोड़ना)
रहस्य को सुलझाने के लिए, शोधकर्ताओं ने वीडियो को केवल एक बड़े टुकड़े के रूप में नहीं देखा। उन्होंने वीडियो को छोटे, 3D ब्लॉकों में काट दिया। कल्पना कीजिए कि आप ब्रेड के एक लोफ (loaf) को स्लाइस (समय) में काटते हैं और फिर प्रत्येक स्लाइस को ग्रिड (स्थान) में काटते हैं।
- समय (Time): उन्होंने वीडियो को छोटे क्लिप्स में काटा।
- स्थान (Space): उन्होंने प्रत्येक क्लिप को छोटे वर्गों के ग्रिड में काटा।
अब, पूरे वीडियो को एक बड़े टुकड़े के रूप में देखने के बजाय, कंप्यूटर वीडियो के इन छोटे "क्यूब्स" (cubes) को देखता है। प्रत्येक क्यूब वीडियो का एक छोटा सा स्थान और समय का हिस्सा है।
द "बैग ऑफ ट्रिक्स" (मल्टीपल इंस्टेंस लर्निंग - Multiple Instance Learning)
शोधकर्ताओं ने एक रणनीति का उपयोग किया जिसे मल्टीपल इंस्टेंस लर्निंग (MIL) कहा जाता है। इसे इस तरह सोचें:
- बैग (Bag): एक पूरा वीडियो क्लिप एक "बैग" है।
- इंस्टेंस (Instances): उस बैग के अंदर के छोटे क्यूब्स "आइटम्स" हैं।
यहाँ वह नियम है जो उन्होंने कंप्यूटर को सिखाया:
- यदि एक बैग को "सामान्य" (Normal) के रूप में लेबल किया गया है, तो उस बैग के अंदर का प्रत्येक आइटम सामान्य होना चाहिए।
- यदि एक बैग को "अनोमली" (Anomaly/अजीब) के रूप में लेबल किया गया है, तो उस बैग के अंदर कम से कम एक आइटम अजीब होना चाहिए।
कंप्यूटर का काम सभी "अजीब" बैगों में से आइटम्स को देखना, सबसे संदिग्ध दिखने वाले आइटम को खोजना और उसे उच्च स्कोर देना है। फिर यह सुनिश्चित करने की कोशिश करता है कि एक "अजीब" बैग का उच्चतम स्कोर एक "सामान्य" बैग के उच्चतम स्कोर से अधिक हो।
द "डिटेक्टिव्स आई" (यह कैसे काम करता है)
कंप्यूटर एक प्री-ट्रेंड मस्तिष्क (जिसे I3D कहा जाता है) का उपयोग करता है जो पहले से ही मानवीय गतिविधियों को पहचानने में सक्षम है।
- यह एक वीडियो क्लिप लेता है।
- यह उसे उन छोटे 3D क्यूब्स में तोड़ देता है।
- यह "मस्तिष्क" से पूछता है कि वह प्रत्येक क्यूब में क्या देख रहा है।
- यह परीक्षण करता है कि क्या उनमें से कोई भी क्यूब संदिग्ध दिखता है।
यदि कंप्यूटर को लड़ाई दिखती है, तो वह केवल "लड़ाई!" नहीं कहता। वह स्क्रीन पर उस विशिष्ट छोटे वर्ग की ओर इशारा करता है जहाँ लड़ाई हो रही है और कहता है, "अजीब घटना ठीक यहाँ हो रही है।"
परिणाम: यह कितना अच्छा था?
शोधकर्ताओं ने इसका परीक्षण UCF Crime2Local नामक डेटासेट पर किया, जिसमें वास्तविक दुनिया के अपराधों के वीडियो हैं।
- प्रतियोगिता: उन्होंने अपने तरीके की तुलना अन्य तरीकों से की। एक अन्य तरीका "सुपरवाइज्ड" (supervised) था, जिसका अर्थ है कि उसे प्रशिक्षण के दौरान अपराध के सटीक निर्देशांक (coordinates) दिए गए थे (जैसे छात्र को लाल ईंट दिखाना)। उस तरीके का स्कोर लगभग 75% था।
- उनका परिणाम: उनके तरीके ने, जिसे प्रशिक्षण के दौरान सटीक स्थान का पता नहीं था (सिर्फ लाल ईंट का अनुमान लगाने वाले छात्र की तरह), स्कोर प्राप्त किया। उनका स्कोर 68% था।
हालाँकि वे उस तरीके को नहीं हरा सके जिसके पास सभी उत्तर थे, लेकिन उन्होंने उन अन्य तरीकों की तुलना में बहुत बेहतर प्रदर्शन किया जो बिना उत्तरों के अनुमान लगाने की कोशिश कर रहे थे।
आगे क्या? (निष्कर्ष)
शोध पत्र निष्कर्ष निकालता है कि कोई घटना कहाँ (स्थान) और कब (समय) होती है, दोनों को देखना एक अच्छा विचार है। हालाँकि, वे स्वीकार करते हैं कि उनका कंप्यूटर कभी-कभी थोड़ा अधिक उत्साहित हो जाता है और एक ही घटना के लिए कई स्थानों को "अजीब" के रूप में चिह्नित कर देता है।
बेहतर होने के लिए, वे दो सुझाव देते हैं:
- नियमों को सख्त करें: कंप्यूटर को हर जगह अनुमान लगाने के बजाय प्रति वीडियो केवल एक "सबसे अजीब" स्थान चुनने के लिए कहें।
- गति पर नज़र रखें: वर्तमान में, कंप्यूटर मुख्य रूप से इस पर ध्यान देता है कि चीजें कैसी दिखती हैं। वे सुझाव देते हैं कि एक दूसरी "आँख" जोड़ी जाए जो यह देखे कि चीजें कैसे चलती हैं (जैसे ऑप्टिकल फ्लो), क्योंकि गति अक्सर अपराध को पहचानने में एक बड़ा सुराग होती है।
संक्षेप में, उन्होंने एक ऐसा सिस्टम बनाया है जो यह अनुमान लगा सकता है कि वीडियो में अपराध कहाँ हो रहा है, भले ही उसे पहले से यह न बताया गया हो कि वह कहाँ 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।