VTO: Visual Tool Orchestration for Video Anomaly Detection
यह शोध पत्र VTO का प्रस्ताव करता है, जो एक प्रोसेस-सुपरवाइज्ड रिइन्फोर्समेंट लर्निंग फ्रेमवर्क है जो एक फाउंडेशन मॉडल-संचालित कॉग्निटिव इवैल्यूएटर और फाइन-ग्रेंड स्टेप-वाइज सुपरविजन का लाभ उठाता है ताकि मल्टीमॉडल एजेंटों को बेहतर वीडियो विसंगति का पता लगाने के लिए विशिष्ट विजुअल टूल्स को गतिशील रूप से ऑर्केस्ट्रेट करने में सक्षम बनाया जा सके, जिसे एक नए बेंचमार्क और टूलसेट जिसे VAD-Tool कहा जाता है, द्वारा मान्य किया गया 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
कल्पना कीजिए कि आप एक व्यस्त, अराजक शहर में रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं। आपके पास एक नोटबुक और एक पेन है, लेकिन शहर चलती कारों, गिरती वस्तुओं और लड़ते हुए लोगों से भरा हुआ है। मामले को सुलझाने के लिए, आप केवल पूरे दृश्य को देखकर अनुमान नहीं लगा सकते; आपको विशिष्ट उपकरणों का उपयोग करने की आवश्यकता है। शायद आपको किसी विशिष्ट व्यक्ति का पीछा करने के लिए आवर्धक लेंस (magnifying glass), यह जांचने के लिए कि क्या कोई कार तेज गति से चल रही है स्पीडोमीटर, या धुआं पहचानने के लिए फायर डिटेक्टर की आवश्यकता हो। कंप्यूटर की दुनिया में, इसे वीडियो विसंगति पहचान (Video Anomaly Detection) कहा जाता है। यह मशीनों को वीडियो फुटेज में अजीब या खतरनाक चीजों को पहचानने के लिए सिखाने का काम है, जैसे कि लड़ाई का होना या किसी का गिर जाना।
लंबे समय तक, कंप्यूटरों ने पैटर्न याद करके इसे करने की कोशिश की, जैसे कोई छात्र परीक्षा के लिए रट्टा मारता है। वे एक वीडियो देखते थे और कहते थे, "यह एक लड़ाई लग रही है!" लेकिन अगर लड़ाई किसी नई जगह पर होती या थोड़ी अलग दिखती, तो कंप्यूटर भ्रमित हो जाता और विफल हो जाता। हाल ही में, वैज्ञानिकों ने कंप्यूटरों को एक "मस्तिष्क" (एक लार्ज लैंग्वेज मॉडल) देने की कोशिश की जो बात कर सके और सोच सके। उन्होंने उम्मीद की कि कंप्यूटर समझ पाएगा कि किस उपकरण का उपयोग कब और कैसे करना है। लेकिन यहाँ समस्या यह है: ये स्मार्ट कंप्यूटर अक्सर एक छोटी सी समस्या देखने के बाद सोचना बंद कर देते हैं और तुरंत अपना उत्तर दे देते हैं। वे बड़े चित्र को मिस कर देते हैं, जैसे कि एक छोटी सी लड़ाई कैसे भगदड़ में बदल सकती है। उन्हें यह सीखने की आवश्यकता है कि बिना जल्दी हार माने, कैसे कदम-दर-कदम जांच जारी रखी जाए।
यहीं पर यह नया शोध पत्र आता है। शोधकर्ताओं ने, जिनका नेतृत्व बीजिंग यूनिवर्सिटी ऑफ पोस्ट्स एंड टेलीकम्युनिकेशंस के रुई वांग और मेंगशी क्यूी ने किया है, एक नया सिस्टम बनाया जिसे VTO (विजुअल टूल ऑर्केस्ट्रेशन) कहा जाता है। VTO को एक जासूसी रोबोट के सख्त लेकिन प्रतिभाशाली कोच के रूप में समझें। केवल रोबोट को अनुमान लगाने देने के बजाय, कोच रोबोट द्वारा उठाए गए हर एक कदम पर नज़र रखता है। यदि रोबोट गलत उपकरण चुनता है, या सुनिश्चित होने से पहले ही जांच करना बंद कर देता है, तो कोच तुरंत उसे "थम्स डाउन" (नापसंदगी) देता है। यदि रोबोट एक आदर्श तार्किक श्रृंखला का पालन करता है, और एक के बाद एक सुराग की जांच करता है, तो कोच उसे "थम्स अप" (पसंद) देता है।
टीम ने एक विशेष प्रशिक्षण मैदान बनाया जिसे VAD-Tool कहा जाता है, जो एक विशाल खेल के मैदान की तरह है जिसमें रोबोट के सीखने के लिए 12 अलग-अलग "जादुई उपकरण" हैं। ये उपकरण भीड़ गिनने, चेहरे पहचानने, हथियार पहचानने या आग का पता लगाने जैसे काम कर सकते हैं। शोधकर्ताओं ने अपने रोबोट को "प्रोसेस-सुपरवाइज्ड रीइन्फोर्समेंट लर्निंग" नामक पद्धति का उपयोग करके सिखाया। सरल शब्दों में, इसका अर्थ यह है कि उन्होंने केवल अंतिम उत्तर के आधार पर रोबोट को ग्रेड नहीं दिया; उन्होंने प्रक्रिया को ग्रेड दिया। उन्होंने यह सुनिश्चित किया कि रोबोट यह सीखे कि बहुत जल्दी रुक जाना एक गलती है। उन्होंने एक सुपर-स्मार्ट AI (एक 72-बिलियन पैरामीटर वाला मॉडल) का भी उपयोग एक जज के रूप में किया, जो यह जांचता था कि क्या रोबोट का तर्क हर चरण पर समझ में आने योग्य था।
परिणाम प्रभावशाली थे। जब उन्होंने अपने नए VTO सिस्टम का परीक्षण किया, तो यह पुराने तरीकों की तुलना में जटिल, बहु-चरणीय रहस्यों को सुलझाने में बहुत बेहतर रहा। जबकि अन्य सिस्टम अक्सर एक सुराग मिलने के बाद ही हार मान लेते थे, VTO चलता रहा, और पूरी कहानी खोजने तक कड़ियों को जोड़ता रहा। उनके परीक्षणों में, नया सिस्टम पिछले सर्वोत्तम तरीकों की तुलना में सही उपकरण और सही क्रम चुनने की सटीकता में 10.2% तक सुधार करता है। इसने कुछ सबसे बड़े, सबसे शक्तिशाली AI मॉडलों को भी पीछे छोड़ दिया, जिससे यह सिद्ध हुआ कि कंप्यूटर को केवल बड़ा बनाने के बजाय उसे चरण-दर-चरण कैसे सोचना है, यह सिखाना अधिक महत्वपूर्ण है। यह शोध पत्र सुझाव देता है कि AI को एक सख्त, तार्किक पथ का पालन करने के लिए मजबूर करके और उसे जल्दी हार न मानने के लिए पुरस्कृत करके, हम अपने शहरों की निगरानी के लिए सुरक्षित और स्मार्ट सिस्टम बना सकते हैं।
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।