Enhancing Visual Perception in Foggy Conditions via Multiclass Fog Density Modeling

कल्पना कीजिए कि आप एक ऐसी कार चलाने की कोशिश कर रहे हैं जो अपने आप सोच सकती है। इस "स्वायत्त" (autonomous) कार के पीछे कोई इंसान नहीं है; इसके बजाय, इसमें कैमरों और कंप्यूटरों से बना एक दिमाग है जो अन्य कारों, पैदल यात्रियों और संकेतों को खोजने के लिए लगातार सड़क को स्कैन करता रहता है। इस क्षेत्र को स्वायत्त ड्राइविंग (autonomous driving) कहा जाता है, और इसकी सबसे बड़ी चुनौती "परसेप्शन" (perception) है—यानी स्पष्ट रूप से देखने की क्षमता। आदर्श मौसम में, ये कैमरे मानवीय आंखों की तरह काम करते हैं। लेकिन जब मौसम खराब हो जाता है, जैसे कि जब घना कोहरा छा जाता है, तो कार की दृष्टि धुंधली और भ्रमित हो जाती है, ठीक वैसे ही जैसे हमारी दृष्टि होती है। कोहरा वास्तव में पानी की नन्ही बूंदों की एक दीवार है जो प्रकाश को बिखेर देती है, जिससे दूर की वस्तुएं धुंधली हो जाती हैं और धूसर (gray) दिखने लगती हैं। यदि कार स्पष्ट रूप से नहीं देख सकती, तो वह सुरक्षित रूप से नहीं चल सकती। वैज्ञानिक इन कंप्यूटर दिमागों को कोहरे के बीच देखने के लिए सिखाने की कोशिश कर रहे हैं, लेकिन उनमें से अधिकांश इस तरह से प्रयास करते हैं कि वे मस्तिष्क को एक ही तरीके से सभी प्रकार के कोहरे (हल्की धुंध से लेकर घने, अंधा कर देने वाले बादल तक) को संभालने के लिए सिखा सकें।

यह शोध पत्र, जिसका शीर्षक "Enhancing Visual Perception in Foggy Conditions via Multiclass Fog Density Modeling" है, उस समस्या को इस सवाल से हल करता है: क्या होगा अगर हम कार को कोहरे के हर प्रकार के लिए एक सामान्य नियम सिखाने के बजाय, उसे हर विशिष्ट कोहरे की मोटाई के लिए एक अलग सेट "चश्मे" दे दें? शोधकर्ताओं ने, Waymo स्वायत्त ड्राइविंग डेटासेट के डेटा के साथ काम करते हुए, पांच अलग-अलग स्तर के कोहरे का अनुकरण करने का निर्णय लिया: स्पष्ट, हल्का, मध्यम, भारी और बहुत भारी। एक विशाल मॉडल को सब कुछ संभालने के लिए प्रशिक्षित करने के बजाय, उन्होंने पांच अलग-अलग, विशिष्ट मॉडल प्रशिक्षित किए। उन्होंने पाया कि जब एक मॉडल को विशेष रूप से "बहुत भारी कोहरे" के लिए प्रशिक्षित किया जाता है, तो वह उन स्थितियों में चीजों को पहचानने में बहुत बेहतर हो जाता है। वास्तव में, सबसे घने कोहरे के लिए, वस्तुओं को खोजने की मॉडल की क्षमता (जिसे "रिकॉल" कहा जाता है) बहुत कम 0.076 से बढ़कर 0.232 हो गई। यह 15.6 प्रतिशत अंक का एक बड़ा सुधार है। हालाँकि, यह शोध पत्र यह भी सुझाव देता है कि एक मॉडल को केवल सबसे खराब कोहरे पर प्रशिक्षित करना वास्तव में इसे थोड़ा बहुत अधिक विशिष्ट और कम लचीला बना सकता है। लेखक प्रस्ताव देते हैं कि एक स्मार्ट सिस्टम को शायद केवल तीन विशिष्ट मॉडलों की आवश्यकता हो सकती है—एक स्पष्ट मौसम के लिए, एक हल्के कोहरे के लिए, और एक मध्यम कोहरे के लिए—ताकि वह लगभग सब कुछ, बहुत भारी कोहरे सहित, संभाल सके, बिना हर धूसर रंग के शेड के लिए एक अलग मस्तिष्क की आवश्यकता के।

कोहरे वाली सड़क की कहानी

कोहरे में गाड़ी चलाना एक विशाल, अदृश्य भूलभुलैया में रास्ता खोजने जैसा महसूस करने की कल्पना करें। वास्तविक दुनिया में, स्वायत्त कारें सड़क को "देखने" के लिए कैमरों का उपयोग करती हैं। लेकिन जब कोहरा छा जाता है, तो यह ऐसा होता है जैसे किसी ने टीवी का कंट्रास्ट कम कर दिया हो और स्क्रीन पर सफेद चादर ढक दी हो। कार का कंप्यूटर भ्रमित हो जाता है क्योंकि जिन वस्तुओं को उसे देखना चाहिए—जैसे कि लाल स्टॉप साइन या सड़क पार करता हुआ व्यक्ति—वे धूसर धब्बों जैसी दिखने लगती हैं।

लंबे समय तक, वैज्ञानिकों ने एक बहुत ही स्मार्ट कंप्यूटर मस्तिष्क बनाकर इसे ठीक करने की कोशिश की जो एक साथ सभी प्रकार के कोहरे को संभालने के लिए सीख सके। उन्होंने सोचा, "यदि हम मस्तिष्क को थोड़े कोहरे और बहुत अधिक कोहरे को एक साथ देखना सिखाते हैं, तो वह मौसम का उस्ताद बन जाएगा!" लेकिन इस शोध पत्र के लेखकों को संदेह था कि यह "एक ही आकार सभी के लिए उपयुक्त" (one-size-fits-all) वाला दृष्टिकोण एक धूप वाले समुद्र तट के दिन और एक अंधेरी गुफा के लिए एक ही जोड़ी धूप का चश्मा पहनने जैसा है। यह दोनों के लिए पूरी तरह से काम नहीं करता है।

प्रयोग: पांच मौसमों के लिए पांच चश्मे

अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं को बहुत सारी कोहरे वाली तस्वीरों की आवश्यकता थी। चूंकि वास्तविक दुनिया का कोहरे वाला ड्राइविंग डेटा मिलना कठिन है (कोई भी केवल एक डेटासेट के लिए फोटो खींचने के लिए अंधा कर देने वाले तूफान में गाड़ी नहीं चलाना चाहता), उन्होंने अपना स्वयं का डेटा बनाया। उन्होंने Waymo डेटासेट (वास्तविक ड्राइविंग फुटेज का एक विशाल संग्रह) से स्पष्ट, धूप वाले चित्र लिए और उनमें कोहरा जोड़ने के लिए एक विशेष कंप्यूटर ट्रिक का उपयोग किया।

उन्होंने केवल "कोहरा" नहीं जोड़ा; उन्होंने कोहरे की विशिष्ट मात्रा जोड़ी। उन्होंने यह नियंत्रित करने के लिए एक गणितीय सूत्र (जो 'कोशमाइडर मॉडल' का विस्तार है) का उपयोग किया कि कोहरा कितना घना था। उन्होंने पांच अलग-अलग स्तर बनाए:

1. स्पष्ट (कोई कोहरा नहीं)
2. हल्का कोहरा (थोड़ी धुंध)
3. मध्यम कोहरा (आप आगे कुछ कारें देख सकते हैं)
4. भारी कोहरा (दृश्यता कम हो रही है)
5. बहुत भारी कोहरा (कुछ भी देखना मुश्किल है)

यहाँ दिलचस्प बात यह है: एक बड़ा मॉडल बनाने के बजाय जो इन पांचों को संभाल सके, उन्होंने पांच अलग-अलग मॉडल प्रशिक्षित किए। एक मॉडल ने केवल स्पष्ट चित्र देखे। दूसरे ने केवल हल्का कोहरा देखा। एक अन्य ने केवल भारी कोहरा देखा, और इसी तरह। यह पांच अलग-अलग जासूसों के होने जैसा है, जिनमें से प्रत्येक को एक विशिष्ट प्रकार के रहस्य को सुलझाने के लिए प्रशिक्षित किया गया है, न कि एक ऐसे जासूस की तरह जो दुनिया के हर अपराध को सुलझाने की कोशिश कर रहा हो।

परिणाम: विशेषज्ञता जीतती है (लेकिन एक मोड़ के साथ)

जब उन्होंने इन मॉडलों का परीक्षण किया, तो परिणाम रोमांचक थे। विशिष्ट मॉडल अपने विशिष्ट कार्यों में बहुत बेहतर थे।

• बड़ी छलांग: "बहुत भारी कोहरे" की श्रेणी के लिए, विशेष रूप से उस स्थिति के लिए प्रशिक्षित मॉडल ने वस्तुओं में से 0.232 को खोज निकाला। उस बेसलाइन (एक मॉडल जिसे स्पष्ट मौसम के लिए प्रशिक्षित किया गया था) से तुलना करें जिसे भारी कोहरे पर टेस्ट किया गया, जिसने केवल 0.076 को खोजा। यह 15.6 प्रतिशत अंक का सुधार है। यह 100 में से 7 सुराग खोजने वाले जासूस बनाम 100 में से 23 सुराग खोजने वाले जासूस के बीच का अंतर है। यह अतिरिक्त दृश्यता एक सुरक्षित स्टॉप और दुर्घटना के बीच का अंतर हो सकती है।
• "गोल्डिलॉक्स" खोज: हालाँकि, शोधकर्ताओं ने पाया कि कुछ चौंकाने वाला था। जब उन्होंने "बहुत भारी कोहरे" के परिणामों को देखा, तो "बहुत भारी कोहरे" के लिए विशेष रूप से प्रशिक्षित मॉडल का प्रदर्शन (mAP के मामले में) हमेशा सबसे अच्छा नहीं था। कभी-कभी, "मध्यम कोहरे" के लिए प्रशिक्षित मॉडल ने mAP के मामले में प्रतिस्पर्धी, या यहाँ तक कि थोड़ा बेहतर प्रदर्शन किया।

क्यों? लेखक सुझाव देते हैं कि जब कोहरा बहुत अधिक घना होता है, तो छवि इतनी धुंधली हो जाती है कि कंप्यूटर मस्तिष्क प्रशिक्षण के दौरान भ्रमित हो जाता है। यह आँखों पर पट्टी बांधकर करतब (juggling) सीखने जैसा है; मस्तिष्क अत्यधिक कठिनाई पर अटक सकता है और खेल के सामान्य नियमों को सीखने में विफल हो सकता है। यह सुझाव देता है कि शायद हमें "बहुत भारी कोहरे" के लिए एक अलग "जासूस" की आवश्यकता ही नहीं है। एक "मध्यम कोहरे" वाला जासूस भारी चीज़ों को भी संभालने के लिए पर्याप्त स्मार्ट हो सकता है।

भविष्य के लिए इसका क्या अर्थ है

शोध पत्र निष्कर्ष निकालता है कि हमें कोहरे को एक साधारण "हाँ या ना" की समस्या (कोहरा है या नहीं) के रूप में देखना बंद कर देना चाहिए। इसके बजाय, हमें इसे एक स्पेक्ट्रम (क्रम) की तरह मानना चाहिए। एक "मॉड्यूलर" दृष्टिकोण का उपयोग करके—जहाँ एक कार को कोहरे की मोटाई के आधार पर कुछ विशिष्ट मॉडलों के बीच स्विच करना होता है—हम स्वायत्त कारों को बहुत सुरक्षित बना सकते हैं।

लेखक सुझाव देते हैं कि केवल तीन मॉडलों (स्पष्ट, हल्का कोफा, और मध्यम कोहरा) वाला एक सिस्टम सबसे सटीक होगा। यह सबसे खराब मौसम को संभालने के लिए पर्याप्त मजबूत होगा, बिना बहुत जटिल या महंगा हुए। हालांकि यह अध्ययन कैमरों (RGB छवियों) पर केंद्रित था, लेखक संकेत देते हैं कि यही विचार भविष्य में LiDAR (लेजर) और रडार जैसे अन्य सेंसरों के लिए भी काम कर सकता है, जिससे हमारा रास्ता चाहे कितना भी कोहरे वाला क्यों न हो, सबके लिए सुरक्षित हो सके।

संक्षेप में, शोध पत्र सुझाव देता है कि कोहरे में स्पष्ट रूप से देखने के लिए, आपको एक विशाल मस्तिष्क की आवश्यकता नहीं है; आपको विशेषज्ञों की एक टीम की आवश्यकता है, जिनमें से प्रत्येक ने काम के लिए सही चश्मा पहना हो।