Toward Deployable Bangla Sign Language Recognition with Expert-Validated Data and a Lightweight Attention-Based Model

कल्पना कीजिए कि आप एक रोबोट को हाथों के इशारों से बनी एक गुप्त भाषा समझने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। यह केवल हाथ हिलाकर नमस्ते कहना नहीं है; यह एक जटिल, नियमों से बंधी दृश्य भाषा है जहाँ एक उंगली का आकार या हथेली का झुकाव भी शब्द का अर्थ पूरी तरह से बदल सकता है। यह सांकेतिक भाषा (Sign Language) की दुनिया है, जो लाखों बधिर या सुनने में अक्षम लोगों के लिए एक महत्वपूर्ण सेतु है। किसी कंप्यूटर के लिए इस भाषा को "बोलने" के लिए दो चीजों की आवश्यकता होती है: सीखने के लिए उदाहरणों का एक विशाल पुस्तकालय, और एक ऐसा मस्तिष्क जो एक साधारण स्मार्टफोन में फिट हो सके बिना बैटरी खत्म किए। अब तक, इस भाषा को सीखने की कोशिश करने वाले अधिकांश कंप्यूटर मस्तिष्क विशाल, भारी हाथियों की तरह थे—शक्तिशाली लेकिन जेब में ले जाने के लिए बहुत भारी, और वे अक्सर आदर्श, नकली स्टूडियो लाइटिंग में ली गई तस्वीरों से सीखते थे जो वास्तविक जीवन से मेल नहीं खाती थीं।

यह शोध पत्र एक नए, अत्यंत हल्के "मस्तिष्क" (एक कंप्यूटर मॉडल) को बनाने के बारेв विकसित करने के तरीके पर काम करता है, जो इतना छोटा है कि एक मानक फोन पर चल सके, लेकिन इतना स्मार्ट है कि मिलते-जुलते दिखने वाले हाथों के संकेतों के बीच अंतर पहचान सके, भले ही बैकग्राउंड अव्यवस्थित हो या रोशनी खराब हो। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने वास्तविक साइनर्स (इशारों का उपयोग करने वाले लोग) द्वारा स्कूलों में ली गई 10,000 से अधिक तस्वीरों का एक नया, विशेषज्ञ-जांचा गया पुस्तकालय बनाया, और उन्होंने साबित किया कि उनका छोटा मॉडल बड़े, भारी मॉडलों के समान ही अच्छा काम करता है, लेकिन बहुत कम शक्ति का उपयोग करता है।

समस्या: भारी मस्तिष्क और नकली डेटा

वर्तमान साइन-लैंग्वेज रिकग्निशन (सांकेतिक भाषा पहचान) को ऐसे समझने की कोशिश करें जैसे कि आप लोहे के पहियों वाली ट्रेनिंग व्हील का उपयोग करके साइकिल चलाना सीख रहे हों। मौजूदा कंप्यूटर सिस्टम अक्सर "प्री-ट्रेनड" (पूर्व-प्रशिक्षित) मस्तिष्क का उपयोग करते हैं जिन्हें पहले बिल्लियों, कुत्तों और कारों को पहचानने के लिए विशाल डेटासेट में सिखाया गया था। ये मस्तिष्क विशाल होते हैं—कुछ में लाखों पैरामीटर्स (वे आंतरिक नॉब्स और डायल जो मस्तिष्क को सोचने में मदद करते हैं) होते हैं। हालांकि वे सटीक हैं, लेकिन वे एक सामान्य फोन पर सुचारू रूप से चलाने के लिए बहुत भारी हैं, और वातावरण बदलने पर अक्सर विफल हो जाते हैं।

इसके अलावा, इन प्रणालियों को प्रशिक्षित करने के लिए उपयोग किया जाने वाला डेटा अक्सर त्रुटिपूर्ण होता है। पिछले कई डेटासेट उन स्वयंसेवकों से एकत्र किए गए थे जो वास्तव में धाराप्रवाह साइनर्स नहीं थे, और तस्वीरें प्लेन बैकग्राउंड वाले नियंत्रित स्टूडियो में ली गई थीं। यह वैसा ही है जैसे कि आप एक खाली पार्किंग लॉट में एक आदर्श प्रशिक्षक के साथ अभ्यास करके ड्राइविंग सीखना चाहते हैं; आप टेस्ट तो पास कर लेंगे, लेकिन जैसे ही आप वास्तविक सड़क पर ट्रैफिक और बारिश का सामना करेंगे, आप दुर्घटनाग्रस्त हो जाएंगे। सांकेतिक भाषा के लिए, यदि कोई स्वयंसेवक उंगली की स्थिति को थोड़ा सा गलत करता है, तो कंप्यूटर गलत सबक सीख लेता है, और "शोर" (noise) वास्तविक उपयोगकर्ताओं को समझने की प्रणाली की क्षमता को खराब कर देता है।

समाधान: एक छोटा, स्मार्ट जासूस

इस शोध पत्र के लेखकों ने शून्य से एक समाधान बनाने का निर्णय लिया, जिसे विशेष रूप से इस कार्य के लिए डिज़ाइन किया गया है। उन्होंने दो प्रमुख चीजें पेश कीं: एक नया डेटासेट और एक नया मॉडल।

1. नया पुस्तकालय: RSBdSL38
सबसे पहले, उन्होंने RSBdSL38 नामक छवियों का एक नया पुस्तकालय बनाया। स्वयंसेवकों के बजाय, वे बांग्लादेश के तीन विशेष आवश्यकता वाले स्कूलों में गए और 36 वास्तविक साइनर्स (बच्चे और वयस्क दोनों) के साथ काम किया जो इस भाषा का रोज उपयोग करते हैं। उन्होंने बांग्ला वर्णमाला के 38 हाथों के संकेतों की 10,874 तस्वीरें लीं। महत्वपूर्ण बात यह है कि प्रत्येक फोटो की एक सांकेतिक भाषा विशेषज्ञ द्वारा जांच की गई ताकि यह सुनिश्चित हो सके कि संकेत एकदम सही हैं। उन्होंने स्टूडियो का उपयोग नहीं किया; उन्होंने वास्तविक कक्षाओं में, वास्तविक फर्नीचर, अव्यवस्थित बैकग्राउंड और बदलती रोशनी के साथ तस्वीरें लीं। यह इस बात का परीक्षण करता है कि क्या एक कंप्यूटर वास्तविक दुनिया को संभाल सकता है।

2. नया मस्तिष्क: एक हल्का 'अटेंशन मॉडल'
इसके बाद, उन्होंने एक कंप्यूटर मॉडल डिजाइन किया जो अविश्वसनीय रूप से छोटा है। जबकि अन्य मॉडलों में लाखों पैरामीटर्स हो सकते हैं, इसमें केवल 298,470 पैरामीटर्स हैं। इसे समझने के लिए, यह आज के मानक "कुशल" मॉडलों की तुलना में 8.5 से 68 गुना छोटा है।

उन्होंने इसे इतना छोटा लेकिन फिर भी स्मार्ट कैसे बनाया? उन्होंने कुछ चतुर युक्तियों का उपयोग किया:

• अटेंशन मैकेनिज्म (Attention Mechanisms): कल्पना कीजिए कि कंप्यूटर एक अव्यवस्थित कमरे में हाथ की तस्वीर देख रहा है। पूरे कमरे को समझने के बजाय, मॉडल में एक अंतर्निहित "स्पॉटलाइट" (जिसे अटेंशन कहा जाता है) है जो उसे दीवारों और फर्नीचर को अनदेखा करने और केवल हाथ और उंगलियों पर ध्यान केंद्रित करने के लिए कहती है।
• मल्टी-स्केल फीचर्स (Multi-Scale Features): मॉडल हाथ को एक साथ दो तरीकों से देखता है: बड़ी तस्वीर (पूरा हाथ का आकार) और सूक्ष्म विवरण (एक अकेली उंगली का विशिष्ट मोड़)। यह इसे लगभग एक जैसे दिखने वाले संकेतों के बीच अंतर करने में मदद करता है।
• शून्य से निर्माण: अन्य मॉडलों के विपरीत जो बिल्लियों और कुत्तों के ज्ञान के साथ शुरू होते हैं, इस मॉडल को विशेष रूप से साइन लैंग्वेज पर शून्य से प्रशिक्षित किया गया था।

परिणाम: छोटा लेकिन शक्तिशाली

टीम ने अपने छोटे मॉडल का परीक्षण किया, और परिणाम आश्चर्यजनक रूप से मजबूत थे।

• सटीकता (Accuracy): अपने नए, कठिन डेटासेट पर, मॉडल ने 96.37% सटीकता प्राप्त की। यह बड़े, भारी मॉडलों (जिन्होंने लगभग 97.45% स्कोर किया) के लगभग बराबर है, लेकिन छोटा मॉडल वहां तक पहुँचने के लिए 1.3 से 21.7 गुना कम गणनाओं का उपयोग करता है।
• वास्तविक दुनिया की गति: जब उन्होंने इस मॉडल को एक साधारण एंड्रॉइड स्मार्टफोन पर रखा, तो यह एक छवि को केवल 3.98 मिलीसेकंड में प्रोसेस कर सका। यह संकेतों को रीयल-टाइम में पहचानने के लिए पर्याप्त तेज़ है, जैसे कि एक वीडियो कॉल। पूरा ऐप कंप्रेशन के बाद 0.48 MB से भी कम जगह घेरता है, जो सैकड़ों मेगाबाइट की आवश्यकता वाले अन्य मॉडलों की तुलना में बहुत कम है।
• सामान्यीकरण (Generalization): मॉडल ने केवल प्रशिक्षण तस्वीरों को याद नहीं किया। जब उन्होंने इसे छह अन्य सार्वजनिक डेटासेट्स पर टेस्ट किया जिन्हें उसने पहले कभी नहीं देखा था, तब भी इसने 92.95% और 98.33% के बीच स्कोर किया। यह साबित करता है कि इसने भाषा के नियमों को सीखा है, न कि केवल विशिष्ट चित्रों को।
• "स्ट्रेंजर" टेस्ट: सबसे महत्वपूर्ण परीक्षण यह देखना था कि क्या मॉडल एक ऐसे साइनर को पहचान सकता है जिससे वह पहले कभी नहीं मिला। जब उन्होंने 6 ऐसे लोगों पर परीक्षण किया जो सिस्टम के लिए पूरी तरह से नए थे, तो सटीकता गिरकर 85.18% हो गई। हालांकि यह 96% स्कोर से कम है, लेकिन यह एक ईमानदार माप है कि सिस्टम वास्तविक दुनिया में कैसा प्रदर्शन करता है। शोध पत्र नोट करता है कि पिछले अध्ययन अक्सर उन लोगों पर परीक्षण करके इस गिरावट को छिपा देते थे जिन्हें वे पहले से जानते थे, जिससे उनके परिणाम वास्तविक से बेहतर दिखते थे।

मॉडल वास्तव में क्या "देखता" है

शोध पत्र का सबसे दिलचस्प हिस्सा यह देखना है कि मॉडल अपने निर्णय कैसे लेता है। शोधकर्ताओं ने यह देखने के लिए कि कंप्यूटर किस ओर देख रहा है, Grad-CAM नामक एक टूल का उपयोग किया। उन्होंने पाया कि मॉडल ने सही ढंग से साइनिंग हैंड (इशारा करने वाले हाथ) पर ध्यान केंद्रित किया और बैकग्राउंड को अनदेखा कर दिया, भले ही बैकग्राउंड में लाल रंग का लॉकर या लिखने वाला व्हाइटबोर्ड हो। यह पुष्टि करता है कि मॉडल बैकग्राउंड संकेतों पर निर्भर नहीं है; यह वास्तव में हाथ के आकार को सीख रहा है।

हालाँकि, मॉडल पूर्ण नहीं है। यह कभी-कभी उन संकेतों से भ्रमित हो जाता है जो दिखने में बहुत समान होते हैं (जैसे कि दो संकेत जिनमें केवल एक उंगली के कोण का अंतर हो)। शोध पत्र दिखाता है कि ये त्रुटियां इसलिए होती हैं क्योंकि संकेत स्वयं अलग करना कठिन है, न कि इसलिए कि मॉडल गलत चीज़ देख रहा है।

निष्कर्ष

यह शोध पत्र सिद्ध करता है कि सांकेतिक भाषा को पहचानने के लिए आपको एक विशाल, महंगे कंप्यूटर की आवश्यकता नहीं है। एक वास्तविक, विशेषज्ञ-सत्यापित डेटासेट के साथ एक छोटे, स्मार्ट, अटेंशन-आधारित मॉडल को जोड़कर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो रोज़मर्रा के फोन पर उपयोग के लिए तैयार है। यह बांग्लादेश और उससे आगे के बधिर और सुनने में अक्षम समुदाय के लिए तकनीक को वास्तव में सुलभ बनाने की दिशा में एक कदम है, जो एक जटिल वैज्ञानिक चुनौती को आपकी जेब में फिट होने वाले एक व्यावहारिक उपकरण में बदल देता है। लेखकों ने अपना डेटा, कोड और मॉडल सार्वजनिक रूप से जारी कर दिया है, ताकि अन्य लोग इस नींव पर निर्माण कर सकें।