Deep Psychovisual Image Representations
यह शोध पत्र 'डीप विजुअल कोडिंग' (Deep Visual Coding) का परिचय देता है, जो एक साइकोविजुअल-प्रेरित (psychovisual-inspired) डीप लर्निंग फ्रेमवर्क है जो पारंपरिक CNN की तुलना में अधिक व्याख्या योग्य (interpretable), गहराई-स्वतंत्र (depth-independent) और कुशल विजन मॉडल बनाने के लिए सीखे गए फ्रीक्वेंसी-डोमेन और कॉम्प्लेक्स-वैल्यूड रिप्रेजेंटेशन का उपयोग 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
बड़ी समस्या: "ब्लैक बॉक्स" बनाम मानव मस्तिष्क
कल्पना कीजिए कि आप एक कंप्यूटर को कुत्ता पहचानना सिखाने की कोशिश कर रहे हैं।
- वर्तमान AI (डीप लर्निंग): आज के बेहतरीन AI मॉडल (जैसे आपके फोन में मौजूद होते हैं) एक विशाल, गहरे सुरंग की तरह काम करते हैं। वे एक छवि को परत दर परत समान फिल्टरों के माध्यम से धकेलते हैं। वे काम तो पूरा कर देते हैं, लेकिन वे एक "ब्लैक बॉक्स" की तरह हैं। हमें वास्तव में पता नहीं होता कि उन्होंने यह कैसे तय किया कि यह एक कुत्ता है। वे बस पिक्सेल को एक विशाल, अव्यवस्थित ढेर में मिला देते हैं जब तक कि एक निर्णय सामने न आ जाए। यह बिना सामग्री या चरणों को देखे, केवल अंतिम सूप का स्वाद लेकर उसकी रेसिपी समझने की कोशिश करने जैसा है।
- मानव दृष्टि: इंसान अलग होते हैं। जब हम एक कुत्ते को देखते हैं, तो हमारा मस्तिष्क केवल पिक्सेल को नहीं मिलाता। हम पहले कान देखते हैं, फिर पूंछ, फिर बालों की बनावट (texture)। हम "उस एक कुत्ता है" कहने से पहले मध्यवर्ती अमूर्तता (intermediate abstractions) (छोटे मानसिक निर्माण खंड) बनाते हैं। यह हमारी सोच को पारदर्शी और कुशल बनाता है।
इस शोध पत्र के लेखकों ने पूछा: क्या हम एक ऐसा AI बना सकते हैं जो इन "निर्माण खंडों" का उपयोग करके इंसान की तरह सोच सके, बजाय एक विशाल ब्लैक बॉक्स के?
समाधान: "डीप विजुअल कोडिंग" (DVC)
यूनिवर्सिटी ऑफ क्वींसलैंड के शोधकर्ताओं के नेतृत्व वाली टीम ने PsychoNet नामक एक नया सिस्टम बनाया। यह डीप विजुअल कोडिंग (DVC) नामक तकनीक का उपयोग करता है।
यह कैसे काम करता है, इसे एक रेडियो स्टेशन के उदाहरण से समझते हैं:
1. फ्रीक्वेंसी डोमेन (रेडियो स्पेक्ट्रम)
अधिकांश कंप्यूटर छवियों को पिक्सेल के ग्रिड के रूप में देखते हैं (स्पेशियल डोमेन)। लेकिन मानव आँख वास्तव में विशिष्ट फ्रीक्वेंसी (आवृत्तियों) के प्रति बहुत संवेदनशील होती है (जैसे रेडियो विशिष्ट स्टेशनों को पकड़ता है)।
- लो फ्रीक्वेंसी (कम आवृत्ति) संगीत में 'बेस' (bass) की तरह होती है—वे बड़े आकार के बारे में बताती हैं (क्या यह एक बड़ा गोला है या छोटा?)।
- हाई फ्रीक्वेंसी (उच्च आवृत्ति) 'ट्रेबल' (treble) की तरह होती है—वे बारीक विवरण बताती हैं (क्या वह एक नुकीला कान है या ढीला/लटकता हुआ?)।
1990 के दशक में "साइकोविजुअल कोडिंग" नामक एक प्रणाली थी जो छवियों को इस आधार पर कंप्रेस करती थी कि मनुष्य किन फ्रीक्वेंसी पर ध्यान देते हैं और बाकी को हटा देती थी। लेखकों ने इस पुराने विचार को लिया और इसे सीखने योग्य (learnable) बनाया। यह हार्ड-कोड करने के बजाय कि कौन सी फ्रीक्वेंसी रखनी है, उनका AI सीखता है कि कार्य के लिए कौन सी फ्रीक्वेंसी महत्वपूर्ण है।
2. "फेजर ब्लॉक" (द ट्रांसलेटर)
इसे काम करने के लिए, AI को "फ्रीक्वेंसी भाषा" बोलनी होगी। लेकिन मानक AI "पिक्सेल भाषा" (वास्तविक संख्याएं) बोलता है।
लेखकों ने फेजर ब्लॉक (Phasor Block) नामक एक घटक का आविष्कार किया। इसे एक अनुवादक (translator) के रूप में सोचें जो एक साधारण ब्लैक-एंड-व्हाइट स्केच (वास्तविक डेटा) को एक समृद्ध, 3D होलोग्राम (जटिल डेटा) में बदल देता है।
- इस होलोग्राम के दो भाग हैं: "रियल" (वास्तविक) भाग और "इमेजिनरी" (काल्पनिक) भाग।
- इस "इमेजिनरी" भाग को जोड़कर, AI छवि को इस तरह देख सकता है जो एक मानक फोटो की समरूपता (symmetry) को तोड़ देता है, जिससे यह एक साधारण फोटो की तुलना में विशिष्ट हिस्सों (जैसे कुत्ते के कान) को बहुत अधिक स्पष्टता से पहचान पाता है।
3. "स्पेक्ट्रल ब्रान्चेस" (द फिल्टर बैंक)
एक बार जब छवि इस जटिल होलोग्राम में बदल जाती है, तो इसे फ्रीक्वेंसी मैप (रेडियो स्पेक्ट्रम की तरह) में बदल दिया जाता है।
DVC मॉड्यूल स्मार्ट रेडियो ट्यूनर के एक सेट की तरह कार्य करता है।
- यह छवि को विभिन्न "बैंड्स" (लो, मिड, हाई फ्रीक्वेंसी) में विभाजित करता है।
- यह उन फ्रीक्वेंसी की आवाज़ बढ़ाने (volume up) के बारे में सीखता है जो महत्वपूर्ण हैं (उदाहरण के लिए, वह फ्रीक्वेंसी जो कुत्ते के कान को कान जैसा दिखाती है) और शोर (noise) को कम करने के बारे में सीखता है।
- यह डेटा के एक अस्त-व्यस्त ढेर के बजाय "महत्वपूर्ण विशेषताओं" की एक स्पष्ट, साफ सूची बनाता है।
उन्हें क्या मिला?
शोधकर्ताओं ने प्रसिद्ध इमेज डेटासेट्स (CIFAR और ImageNet) पर इस नए "PsychoNet" सिस्टम का मानक AI मॉडल (जैसे ResNet) के साथ परीक्षण किया।
यह "हिस्सों" को देखता है, न कि केवल "ढेर" को:
जब उन्होंने देखा कि AI किस चीज़ पर ध्यान केंद्रित कर रहा है, तो मानक AI मॉडल अस्पष्ट, धुंधले धब्बों की तरह दिख रहे थे। PsychoNet स्पष्ट रूप से विशिष्ट, अर्थपूर्ण हिस्सों पर ध्यान केंद्रित कर रहा था, जैसे कुत्ते के कान, कार के पहिए, या हाथी के दांत। इसने सफलतापूर्वक उन "मध्यवर्ती अमूर्तताओं" का निर्माण किया जिनका उपयोग मानव मस्तिष्क करता है।इसे "डीप" होने की आवश्यकता नहीं है:
मानक AI मॉडल डीपर (गहरा) होकर स्मार्ट बनते हैं (अधिक परतें जोड़कर, जैसे किसी गगनचुंबी इमारत में अधिक मंजिलें जोड़ना)।
PsychoNet वाइडर (चौड़ा) होकर स्मार्ट बनता है (अधिक फ्रीक्वेंसी फिल्टर जोड़कर)।
- परिणाम: उन्होंने एक ऐसा PsychoNet मॉडल बनाया जो एक मानक ResNet की तुलना में आधा गहरा (half as deep) था लेकिन प्रदर्शन में उतना ही अच्छा था। यह साबित करता है कि आपको दृश्य देखने के लिए 100-मंजिला गगनचुंबी इमारत की आवश्यकता नहीं है; आपको बस सही टेलीस्कोप (फ्रीक्वेंसी फिल्टर) की आवश्यकता है।
- यह पारदर्शी है:
चूंकि AI अलग-अलग फ्रीक्वेंसी बैंड्स में डेटा को प्रोसेस करता है और विशिष्ट ऑब्जेक्ट पार्ट्स पर ध्यान केंद्रित करता है, इसलिए हम वास्तव में इसके तर्क (reasoning) को देख सकते हैं। यह अब कोई ब्लैक बॉक्स नहीं है; यह एक स्पष्ट पाइपलाइन है जहाँ हम देख सकते हैं कि यह पहले कान को चुनता है, फिर पूंछ को, और फिर "कुत्ता" तय करता है।
सारांश
यह शोध पत्र AI विजन बनाने का एक नया तरीका प्रस्तावित करता है जो इस बात की नकल करता है कि इंसान कैसे देखते हैं। पिक्सेल के गहरे, अंधेरे सुरंग में कंप्यूटर को खुदाई करने के लिए मजबूर करने के बजाय, उन्होंने एक ऐसा सिस्टम बनाया जो:
- छवियों को "फ्रीक्वेंसी भाषा" में अनुवाद करता है।
- किसी वस्तु को परिभाषित करने वाले महत्वपूर्ण "नोट्स" (फ्रीक्वेंसी) को चुनने के लिए स्मार्ट फिल्टर का उपयोग करता है।
- छवि की एक स्पष्ट, चरण-दर-चरण समझ (कान, फिर पूंछ, फिर कुत्ता) बनाता है।
परिणामस्वरूप, यह एक ऐसा AI है जो अधिक कुशल है (इसे कम परतों की आवश्यकता है), अधिक पारदर्शी है (हम देख सकते हैं कि यह क्या देख रहा है), और दृश्य जानकारी को तोड़ने के मामले में अधिक मानव-समान 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।