GaitFace: A Multimodal Dataset for Long-Range Person Identification

कल्पना कीजिए कि आप एक भीड़भाड़ वाले संगीत समारोह में अपने किसी दोस्त को पहचानने की कोशिश कर रहे हैं। यदि वे ठीक आपके बगल में खड़े हैं, तो आप उनकी मुस्कान, उनकी आँखों का रंग और उनके सिर के झुकाव को देख सकते हैं। आज की अधिकांश "फेस रिकग्निशन" (चेहरा पहचान) तकनीक इसी तरह काम करती है: यह सुनिश्चित करने के लिए कि आप कौन हैं, इसे एक स्पष्ट, क्लोज-अप तस्वीर की आवश्यकता होती है। लेकिन क्या होगा यदि आपका दोस्त आपसे 300 फीट दूर, एक बाड़ के पीछे खड़ा हो, और हवा में धुंध हो? अचानक, उनका चेहरा बस एक छोटा सा, धुंधला धब्बा बनकर रह जाता है। सुरक्षा और सीमा नियंत्रण की दुनिया में, यह एक बहुत बड़ी समस्या है। सुरक्षा कैमरों को अक्सर दूर से लोगों पर नज़र रखनी पड़ती है, जहाँ इमेज क्वालिटी बहुत खराब होती है, मौसम खराब होता है, और व्यक्ति चल रहा होता है, बैग ले रहा होता है, या उसने सामान्य से अलग जैकेट पहनी होती है। वैज्ञानिक इसे "लॉन्ग-रेंज पर्सन आइडेंटिफिकेशन" (लंबी दूरी से व्यक्ति की पहचान) कहते हैं। वे लोगों के चलने के तरीके, जिसे "गेट" (gait) कहा जाता है, पर भी नज़र रखते हैं क्योंकि भले ही आप चेहरे को स्पष्ट रूप से न देख सकें, लेकिन किसी के पैरों के चलने का तरीका कभी-कभी उन्हें पहचान दिला सकता है। बड़ा सवाल यह है: क्या कंप्यूटर अभी भी बता सकते हैं कि कौन कौन है जब तस्वीर दानेदार (grainy) हो, दूरी बहुत अधिक हो, और व्यक्ति हिल-डुल रहा हो?

यह शोध पत्र एक नए टूल का परिचय देता है जिसे GaitFace कहा जाता है, जो एक विशाल, यथार्थवादी प्रशिक्षण जिम की तरह है उन कंप्यूटर प्रोग्रामों के लिए जो दूर से लोगों की पहचान करने की कोशिश करते हैं। शोधकर्ताओं ने इन कठिन, "इन-द-वाइल्ड" (वास्तविक दुनिया के) परिदृश्यों में वर्तमान तकनीक कितनी अच्छी तरह काम करती है, इसका परीक्षण करने के लिए एक विशेष डेटासेट (डेटा का संग्रह) बनाया। उन्होंने पाया कि जबकि हमारे सर्वश्रेष्ठ कंप्यूटर मॉडल उच्च-गुणवत्ता वाली, ज़ूम की गई फोटो के साथ चेहरों को पहचानने में माहिर हैं, वे कम-रिज़ॉल्यूशन और दूरी से ली गई छवियों के मामले में पूरी तरह विफल हो जाते हैं। इससे भी अधिक आश्चर्यजनक रूप से, जो मॉडल आमतौर पर सबसे "स्मार्ट" और जटिल होते हैं, वे इन स्थितियों में सबसे बुरी तरह विफल होते हैं, जबकि कुछ सरल, हल्के मॉडल वास्तव में थोड़ा बेहतर प्रदर्शन करते हैं। यह शोध पत्र यह भी दिखाता है कि चलने के पैटर्न (गेट) को पहचानना बहुत कठिन है जब व्यक्ति के कपड़े या सामान बदल जाते हैं। मुख्य निष्कर्ष यह है कि हमारे पास अभी तक कोई पूर्ण समाधान नहीं है; मौजूदा सिस्टम बहुत नाजुक हैं जब दृश्य खराब हो, और हमें सीमा सुरक्षा और निगरानी को बिना किसी परफेक्ट, क्लोज-अप फोटो की आवश्यकता के विश्वसनीय बनाने के लिए बहुत बेहतर तकनीक की आवश्यकता है।

GaitFace की कहानी

वर्तमान सुरक्षा कैमरों की स्थिति को एक ऐसे जासूस की तरह समझें जो केवल एक धुंधली तस्वीर का उपयोग करके रहस्य सुलझाने की कोशिश कर रहा है। इस शोध पत्र के लेखकों ने यह देखने के लिए कि धुंधलापन वास्तव में कितना बुरा है और हमारे डिजिटल जासूस इसे कैसे संभालते हैं, एक "मिस्ट्री बॉक्स" (रहस्यमयी डिब्बा) बनाने का निर्णय लिया। उन्होंने GaitFace बनाया, एक सार्वजनिक डेटासेट जो दो प्रकार के सुरागों को जोड़ता है: चेहरे और लोगों के चलने का तरीका (गेट)।

इस सेटअप को एक वास्तविक सीमा पार करने (border crossing) की नकल करने के लिए डिज़ाइन किया गया था, लेकिन एक ट्विस्ट के साथ। कल्पना कीजिए कि एक यात्री स्टेशन पर आ रहा है। पहले, वह अपने स्वयं के फोन से एक सेल्फी लेता है। यह "प्री-एनरोलमेंट" चरण है—वह व्यक्ति कौन है, इसकी एक उच्च-गुणवत्ता वाली, स्पष्ट तस्वीर। फिर, यात्री बाहर एक रास्ते पर चलता है। जैसे ही वह चलता है, उसे दो अलग-अलग कोणों से फिल्माया जाता है: एक जमीन के स्तर से (जैसे कि पास में खड़ा एक सुरक्षा गार्ड) और दूसरा एक इमारत की तीसरी मंजिल से (जैसे कि खंभे पर लगे ऊंचे कैमरे से)। वह कैमरों से 100 मीटर की दूरी तक इस पथ पर चलता है।

शोधकर्ताओं ने यात्रियों को केवल सामान्य रूप से चलते हुए नहीं छोड़ा। इसे एक वास्तविक परीक्षण बनाने के लिए, उन्होंने इसमें "अराजकता" (chaos) जोड़ी। प्रतिभागियों ने फोन पर बात करते हुए, बैकपैक ले जाते हुए, अलग जैकेट पहनते हुए, या बस सामान्य रूप से चलते हुए अभ्यास किया। उन्होंने यह दो अलग-अलग दिनों में किया, जो एक-दूसरे से हफ्तों दूर थे, यह देखने के लिए कि क्या कंप्यूटर उन्हें तब भी पहचान सकता है जब उनके बाल बदल गए हों या मौसम धूप के बजाय बारिश वाला हो। कुल मिलाकर, उन्होंने 70 लोगों को रिकॉर्ड किया, जिससे लगभग 2.7 TB का वीडियो और इमेज डेटा तैयार हुआ।

महान परीक्षण: क्या हुआ?

शोधकर्ताओं ने सबसे उन्नत चेहरा और चलने की पहचान करने वाले कंप्यूटरों (जिन्हें "मॉडल" कहा जाता है) को लिया और उन्हें इस अव्यवस्थित, वास्तविक डेटा में डाल दिया। यहाँ उनकी खोजें दी गई हैं:

1. "ज़ूम" का जादू बनाम "धुंधलेपन" की वास्तविकता
जब कैमरों ने 100 मीटर की दूरी से एक स्पष्ट, उच्च-गुणवत्ता वाली तस्वीर प्राप्त करने के लिए शक्तिशाली ऑप्टिकल ज़ूम का उपयोग किया, तो कंप्यूटर शानदार थे। वे लोगों को बहुत उच्च सटीकता के साथ पहचान सकते थे, लगभग वैसे ही जैसे व्यक्ति उनके ठीक सामने खड़ा हो। हालांकि, जैसे ही उन्होंने ज़ूम हटा दिया और कैमरे के सामान्य लेंस का उपयोग किया, परिणाम विनाशकारी रहे।

• बिना ज़ूम के, 100 मीटर पर एक व्यक्ति का चेहरा केवल लगभग 18 x 22 पिक्सेल बड़ा था। यह एक डाक टिकट से भी छोटा है!
• इस कम-गुणवत्ता वाले मोड में, सर्वश्रेष्ठ कंप्यूटर भी एक वास्तविक व्यक्ति और एक अजनबी के बीच अंतर करने के लिए संघर्ष कर रहे थे। उनकी सटीकता इतनी कम हो गई कि वे अनुमान लगाने से भी थोड़े ही बेहतर थे।
• दिलचस्प बात यह है कि शोधकर्ताओं ने पाया कि सरल, हल्के कंप्यूटर मॉडल (जैसे EdgeFace) कभी-कभी भारी और जटिल मॉडलों की तुलना में बेहतर प्रदर्शन करते हैं। ऐसा लगता है कि बड़े मॉडल विवरण की कमी के कारण भ्रमित हो जाते हैं, जबकि छोटे मॉडल अधिक लचीले होते हैं।

2. "कैमरे की ओर चलते हुए" का आश्चर्य
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या होता है जब कोई व्यक्ति 100 मीटर से लेकर 3 मीटर तक चलता है।

• दूर छोर (100 मीटर) पर, कंप्यूटर लगभग अंधे हो गए थे।
• जैसे-जैसे व्यक्ति करीब आता गया, कंप्यूटर बेहतर होते गए, लेकिन सुधार सहज (smooth) नहीं था। भले ही व्यक्ति अपेक्षाकृत करीब था, यदि सुरक्षा प्रणाली बहुत सख्त (गलत अलार्म से बचने के लिए) सेट की गई थी, तो भी कंप्यूटर कई लोगों को पहचानने में विफल रहे।
• इससे पता चला कि केवल किसी के करीब आने का इंतजार करना एक पूर्ण समाधान नहीं है; सिस्टम को धुंधले क्षणों को भी संभालने के लिए पर्याप्त मजबूत होना चाहिए।

3. चलने की पहेली (गेट)
चलने के तरीके को पहचानना चेहरे के बहुत धुंधले होने पर एक बैकअप योजना के रूप में काम करने के लिए होता है। लेकिन GaitFace परीक्षण ने दिखाया कि यह भी बहुत कठिन है।

• जब कैमरा एंगल बदला (ग्राउंड से तीसरी मंजिल तक) या जब व्यक्ति ने कपड़े बदले या बैग लिया, तो कंप्यूटर बहुत भ्रमित हो गए।
• सबसे अच्छे मॉडल भी आसान परिदृश्यों में केवल 20% से 28% तक ही सही पहचान कर पाए, और कठिन परिस्थितियों में प्रदर्शन और भी गिर गया।
• शोधकर्ताओं ने पाया कि साफ, कम दूरी के वीडियो (जैसे स्टूडियो में चलते लोग) पर प्रशिक्षित मॉडल GaitFace के अव्यवस्थित, लंबी दूरी के वीडियो का सामना करने में पूरी तरह विफल रहे।

यह क्यों मायने रखता है

यह शोध पत्र यह दावा नहीं करता है कि इसने समस्या को हल कर दिया है। इसके बजाय, यह एक स्पॉटलाइट की तरह काम करता है, जो हमें ठीक से दिखाता है कि वर्तमान तकनीक कहाँ कमजोर है। यह साबित करता है कि हालांकि हमारे पास क्लोज-अप फोटो के लिए अद्भुत चेहरा पहचान तकनीक है, लेकिन हम लंबी दूरी की निगरानी की वास्तविक दुनिया के लिए तैयार नहीं हैं। यहाँ उजागर की गई "कमियां" (vulnerabilities) बताती हैं कि यदि हम आज सीमा नियंत्रण के लिए इन प्रणालियों पर भरोसा करते हैं, तो हम लोगों को मिस कर सकते हैं या गलतियाँ कर सकते हैं।

लेखक सुझाव देते हैं कि भविष्य दो सुरागों—चेहरा और गेट—को मिलाने में निहित है, ताकि यदि चेहरा बहुत धुंधला हो, तो चलने का पैटर्न मदद कर सके, और इसके विपरीत। लेकिन फिलहाल, GaitFace एक कठिन, ईमानदार बेंचमार्क है। यह शोधकर्ताओं को कहता है: "यहाँ वास्तविक चुनौती है। आपके वर्तमान उपकरण अभी पर्याप्त नहीं हैं। कुछ बेहतर बनाने के लिए मेहनत करें।" इस डेटा को सार्वजनिक करके, लेखक आशा करते हैं कि वे स्मार्ट, अधिक मजबूत सुरक्षा प्रणालियों की एक नई पीढ़ी को प्रेरित करेंगे जो दुनिया के वास्तविक और अव्यवस्थित स्वरूप को संभाल सकें।