Random Indexing for Image Change Detection: A Distance-Threshold Vocabulary Approach

कल्पना कीजिए कि आप एक जासूस हैं जो एक ही शहर की दो तस्वीरों के बीच अंतर खोजने की कोशिश कर रहे हैं, जिन्हें कई वर्षों के अंतराल पर लिया गया है। शायद एक नया पार्क बनाया गया हो, या कोई पुरानी इमारत ढहा दी गई हो। यह रिमोट सेंसिंग (remote sensing) और चेंज डिटेक्शन (change detection) की दुनिया है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक पृथ्वी की सतह पर नज़र रखने के लिए उपग्रहों का उपयोग करते हैं। ऐसा करने के लिए, वे अक्सर "स्पेक्ट्रल वेक्टर्स" (spectral vectors) की तुलना करते हैं—जो केवल फैंसी नंबर हैं जो हर एक पिक्सेल के रंग और चमक का वर्णन करते हैं।

लंबे समय तक, बदलाव खोजने का सबसे अच्छा तरीका एक फोटो के नंबरों को दूसरे से सीधे घटाना था, जिसे चेंज वेक्टर एनालिसिस (CVA) कहा जाता है। यह दो रसीदों की लाइन-दर-लाइन तुलना करने जैसा है। हालाँकि, कंप्यूटर विज्ञान में मानव भाषा को समझने के लिए रैंडम इंडेक्सिंग (Random Indexing) नामक एक नया विचार बहुत लोकप्रिय हुआ है। इस प्रणाली में, प्रत्येक शब्द को एक अनूठा, रैंडम "आईडी कार्ड" (नंबरों का एक वेक्टर) मिलता है, और एक वाक्य का अर्थ उसके आस-पास के शब्दों के आईडी कार्डों को जोड़ने से बनता है। यह तरीका बहुत तेज़ है और इसे भारी मात्रा में डेटा के साथ सिखाने की आवश्यकता नहीं होती है।

बड़ा सवाल यह है कि क्या हम इस चतुर "शब्द आईडी" वाले तरीके को तस्वीरों के लिए उपयोग कर सकते हैं? क्या हम पिक्सेल को शब्दों में बदल सकते हैं, उन्हें रैंडम आईडी कार्ड दे सकते हैं, और देख सकते हैं कि क्या एक पिक्सेल के आस-पास का परिवेश समय के साथ बदलता है? यह एक आदर्श मेल लगता है, लेकिन जैसा कि लेखकों ने पाया, निरंतर (continuous) इमेज को "शब्दों" की एक सूची में बदलना जितना दिखता है उससे कहीं अधिक कठिन है।

---

पिक्सेल की पहेली: जब "शब्द" खो जाते हैं

शोधकर्ताओं ने एक सरल, लगभग स्पष्ट विचार से शुरुआत की। रैंडम इंडेक्सिंग के तरीके को छवियों पर लागू करने के लिए, उन्हें पहले लाखों निरंतर पिक्सेल रंगों को "विजुअल वर्ड्स" (visual words) की एक छोटी, निश्चित सूची में बदलने की आवश्यकता थी। उनके पहले प्रयास में उन्होंने के-मीन्स क्लस्टरिंग (k-means clustering) नामक एक सामान्य गणितीय उपकरण का उपयोग किया। कल्पना कीजिए कि आपके पास मिश्रित रंगीन कंचों (marbles) का एक थैला है और आप उन्हें 20 बाल्टियों में छाँटना चाहते हैं। के-मीन्स 20 "केंद्र" रंग खोजने की कोशिश करता है और हर कंचे को उस बाल्टी में डाल देता है जिसका केंद्र सबसे करीब होता है।

टीम को लगा कि यह पूरी तरह काम करेगा। लेकिन जब उन्होंने वास्तविक उपग्रह तस्वीरों पर इसका परीक्षण किया, तो यह विफल हो गया। ऐसा इसलिए हुआ: भले ही घास का एक टुकड़ा बिल्कुल नहीं बदला हो, लेकिन लाइटिंग या कैमरा सेंसर के कारण दूसरी बार वह थोड़ा अलग दिख सकता है। के-मीन्स प्रणाली में, यह मामूली अंतर ही पिक्सेल को एक "बाल्टी रेखा" से दूसरी ओर धकेलने के लिए पर्याप्त है। अचानक, घास का वही टुकड़ा दूसरी फोटो में पूरी तरह से अलग "आईडी कार्ड" प्राप्त कर लेता है। यह ऐसा है जैसे आपने एक कहानी लिखी हो, और हर बार जब आप "बिल्ली" शब्द का उपयोग करते हैं, तो कंप्यूटर केवल इसलिए उसे "कुत्ता" से बदल देता है क्योंकि आपने उसे थोड़ा अलग तरीके से टाइप किया था। सिस्टम इन मामूली, हानिरहित बदलावों से इतना भ्रमित हो गया कि वह वास्तविक बदलाव और कैमरा ग्लिच के बीच अंतर नहीं कर सका।

"लीडर" समाधान: एक अधिक उदार नियम

इसे ठीक करने के लिए, लेखकों ने सख्त के-मीन्स सॉर्टर को बदलकर एक अधिक उदार नियम अपनाया जिसे वे डिस्टेंस-थ्रेशोल्ड (या लीडर) क्लस्टरिंग (distance-threshold/leader clustering) कहते हैं।

कल्पना कीजिए कि आप एक पार्टी आयोजित कर रहे हैं और मेहमानों को मेजों पर बैठा रहे हैं। पहले से 20 मेजें तय करने के बजाय, आप मेहमानों को एक-एक करके आने देते हैं। पहला मेहमान एक नई मेज पर बैठता है और "लीडर" बन जाता है। अगला मेहमान मौजूदा लीडरों को देखता है। यदि वे एक लीडर के करीब हैं (मान लीजिए 5 फीट की दूरी के भीतर), तो वे उस लीडर की मेज में शामिल हो जाते हैं। यदि वे सभी से बहुत दूर हैं, तो वे एक नई मेज शुरू करते हैं और एक नया लीडर बनते हैं।

यह सरल बदलाव एक गेम-चेंजर है। क्योंकि यह नियम मेजों की एक निश्चित संख्या के बजाय एक निश्चित दूरी पर आधारित है, इसलिए कैमरा शोर (noise) के कारण थोड़ा सा विस्थापित होने वाला पिक्सेल उसी मेज पर बना रहता है। यह दोनों फोटो में अपना वही "आईडी कार्ड" बनाए रखता है। लेखकों ने गणितीय रूप से सिद्ध किया कि यह विधि एक "स्टेबिलिटी रेडियस" (stability radius) बनाती है, जिसका अर्थ है कि जब तक शोर एक निश्चित मात्रा से कम है, पिक्सेल की पहचान नहीं बदलेगी। यही स्थिरता वह गुप्त मंत्र है जो पूरे सिस्टम को काम करने में मदद करता है।

परिणाम: अच्छा, लेकिन पूर्ण नहीं

इस नए "लीडर" शब्दावली के साथ, टीम ने बदलाव का पता लगाने के लिए एक पूर्ण प्रणाली बनाई। उन्होंने चार बहुत अलग वास्तविक दुनिया के परिदृश्यों पर इसका परीक्षण किया:

1. ओरेगन में सिंचित कृषि भूमि (हाइपरस्पेक्ट्रल छवियों का उपयोग करके)।
2. चीन में एक नदी (हाइपरस्पेक्ट्रल)।
3. सैन फ्रांसिस्को खाड़ी (रडार छवियों का उपयोग करके जो बादलों के पार देख सकती हैं)।
4. सेंटिनल-2 उपग्रहों द्वारा कैप्चर किया गया एक जंगल की आग वाला क्षेत्र।

उन्होंने अपने नए तरीके की तुलना पुराने "नंबर घटाने" वाले तरीके (CVA) से की। परिणाम सुसंगत लेकिन विनम्र थे: नया रैंडम इंडेक्सिंग तरीका बहुत अच्छा था, लेकिन इसने पुराने तरीके को मात नहीं दी।

• नदी के डेटासेट पर, नए तरीके का AUC 0.906 था, जबकि पुराने तरीके का 0.944 था।
• कृषि भूमि पर, नए तरीके को 0.924 मिला, जबकि पुराने को 0.986।

लेखकों ने पाया कि नया तरीका लगातार क्लासिक तरीके के प्रदर्शन के करीब पहुँच गया, लेकिन उससे आगे नहीं निकल पाया। उन्होंने महसूस किया कि केवल दो फोटो की तुलना करने के लिए, पुराना तरीका अभी भी सर्वश्रेष्ठ है क्योंकि यह रंग की हर एक बिट जानकारी का उपयोग करता है, जबकि नए तरीके को पिक्सेल को "शब्दों" में बदलने के लिए कुछ जानकारी छोड़नी पड़ती है।

छिपी हुई खामियां और खुले रहस्य

इसे बनाते समय, टीम ने कुछ आश्चर्यजनक बग्स और खुले प्रश्न खोजे जो समाधान जितने ही दिलचस्प हैं।

सबसे पहले, उन्होंने एक "डिजेनरेट वेक्टर" (degenerate vector) विफलता पाई। उनके सिस्टम में, उन्होंने रैंडम आईडी कार्ड बनाने के लिए एक संभाव्यता आधारित (probabilistic) विधि का उपयोग किया, जिसका अर्थ है कि कार्ड के कुछ नंबर शून्य हो सकते हैं। उन्होंने महसूस किया कि यदि शब्दावली बहुत बड़ी हो जाती है (जैसे नदी के लिए 43 "शब्द"), तो इस बात की उच्च संभावना (लगभग 58%) है कि उन रैंडम आईडी कार्डों में से एक पूरी तरह से शून्य होगा। पूरी तरह से शून्य वाला आईडी कार्ड बेकार है; यह एक खाली कागज के टुकड़े जैसा है। यदि दृश्य में कोई सामान्य वस्तु खाली आईडी कार्ड प्राप्त करती है, तो सिस्टम उसे देख ही नहीं पाता, जिससे डिटेक्शन क्रैश हो जाता है। उन्होंने इसे बस कंप्यूटर को यह कहकर ठीक किया: "यदि आप एक खाली कार्ड निकालते हैं, तो उसे फेंक दें और फिर से निकालें।" इस छोटे से सुधार ने परिणामों को बहुत अधिक विश्वसनीय बना दिया।

दूसरा, और शायद सबसे महत्वपूर्ण, उन्होंने एक बड़ी अस्थिरता की खोज की जिसे वे पूरी तरह से हल नहीं कर सके। "लीडर" क्लस्टरिंग प्रणाली इस बात पर निर्भर करती है कि पिक्सेल किस क्रम (order) में देखे जा रहे हैं। यदि आप पिक्सेल को इधर-उधर कर दें और उन्हें एक अलग रैंडम क्रम में देखें, तो आपको थोड़ा अलग "लीडरों" (मेज) का सेट मिल सकता है। लेखकों ने पाया कि यह रैंडम क्रम अंतिम परिणाम को काफी हद तक बदल सकता है। नदी के डेटासेट पर, क्रम बदलने से सटीकता भयानक 0.736 से बढ़कर शानदार 0.943 तक जा सकती है। उन्होंने इसे ठीक करने के लिए तीन अलग-अलग तरीके आजमाए—जैसे सबसे स्थिर पिक्सेल को पहले देखना या डेटा को स्मूथ करना—लेकिन उनमें से कोई भी केवल रैंडम होने के बजाय बेहतर काम नहीं कर सका। वे स्वीकार करते हैं कि यह उनके काम की सबसे बड़ी खुली समस्या है।

भविष्य: वास्तविक समय में पृथ्वी को देखना

तो, क्या यह तरीका विजेता है? दो विशिष्ट फोटो की तुलना करने के लिए, उत्तर है "अभी नहीं।" क्लासिक तरीका अभी भी अधिक सटीक है। हालाँकि, लेखक तर्क देते हैं कि रैंडम इंडेक्सिंग की असली शक्ति केवल दो फोटो की तुलना करने में नहीं, बल्कि एक लंबी फिल्म देखने में है।

क्योंकि रैंडम इंडेक्सिंग केवल नंबरों को जोड़ने के काम आती है, यह इन्क्रीमेंटल (incremental) है। आप नई तस्वीरें आने पर बिना पूरे इतिहास का पुन: विश्लेषण किए, एक पिक्सेल के "अर्थ" को अपडेट कर सकते हैं। कल्पना कीजिए कि एक उपग्रह हर दिन पृथ्वी का नक्शा अपडेट करता है, हर बार पूरी किताब को फिर से पढ़ने के बजाय, एक चलते हुए कुल योग (running total) में नई जानकारी जोड़ता है। लेखकों का मानना है कि हालांकि उनका वर्तमान तरीका एक एकल तुलना के लिए पुराने को नहीं हरा पाता है, लेकिन यह "स्ट्रीमिंग" क्षमता लंबे समय तक चलने वाली घटनाओं (time-series) की निगरानी के लिए गेम-चेंजर हो सकती है, जैसे महीनों तक जंगल की आग को ट्रैक करना या साल दर साल बढ़ते शहर को देखना।

अंत में, यह पेपर एक ऐसे आशाजनक विचार की कहानी है जो एक दीवार से टकराया, उस पर चढ़ने का एक चतुर तरीका खोजा, और यह महसूस किया कि हालांकि यह एक छोटी दौड़ के लिए सबसे तेज़ धावक नहीं है, लेकिन यह एक लंबी यात्रा के लिए सबसे अच्छा मैराथन धावक हो सकता है।