Towards Sparsely Annotated Open-World Object Detection
यह शोध पत्र स्पार्सली एनोटेटेड ओपन-वर्ल्ड ऑब्जेक्ट डिटेक्शन (SA-OWOD) प्रस्तुत करता है, जो स्पार्स सुपरविजन और अनदेखी श्रेणियों के सह-अस्तित्व को संबोधित करने वाला एक नया कार्य है, और अस्पष्ट सुपरविजन संकेतों को प्रभावी ढंग से हल करने और ज्ञात एवं अज्ञात दोनों वस्तुओं का पता लगाने में सुधार करने के लिए ड्यूल-परस्पेक्टिव ऑब्जेक्ट डिस्कवरी (DPOD) फ्रेमवर्क का प्रस्ताव करता 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 रोबोट को जंगल में जानवरों को पहचानना सिखा रहे हैं। एक आदर्श कक्षा में, आप रोबोट को एक कुत्ते, एक बिल्ली और एक पक्षी की तस्वीर दिखाएंगे, और आप ठीक से घेरा लगाएंगे कि वे कहाँ हैं। रोबोट आसानी से सीख जाता है क्योंकि सब कुछ लेबल किया हुआ है। लेकिन वास्तविक दुनिया में, चीजें बिखरी हुई होती हैं। कभी-कभी, आप जल्दी में होने के कारण किसी फोटो में कुत्ते को घेरना भूल सकते हैं (इसे स्पार्स एनोटेशन (sparse annotation) कहा जाता है)। अन्य समय में, रोबट कोई ऐसा जीव देख सकता है जिसे उसने पहले कभी नहीं देखा है, जैसे कि एक प्लैटिपस, और आपको यह भी नहीं पता होगा कि उसे क्या नाम दें (यह ओपन-वर्ल्ड (open-world) समस्या है)।
लंबे समय तक, वैज्ञानिकों ने इन दोनों समस्याओं को अलग-अलग हल करने की कोशिश की। एक समूह ने रोबोट को ज्ञात जानवरों के गायब हुए स्थानों का अनुमान लगाने के लिए प्रशिक्षित किया, यह मानते हुए कि चित्र में सब कुछ एक ज्ञात जानवर है। दूसरे समूह ने रोबोट को नए, अज्ञात जीवों को पहचानने के लिए प्रशिक्षित किया, लेकिन उन्होंने यह मान लिया कि रोबोट के पास उन चीजों के लिए सटीक लेबल हैं जिन्हें वह पहले से जानता है। समस्या यह है कि वास्तविक जीवन दोनों का मिश्रण है: आपके पास एक फोटो हो सकती है जिसमें एक ज्ञात कुत्ते का लेबल गायब है और एक छिपा हुआ प्लैटिपस भी हो सकता है। यदि रोबोट को इस भ्रम को संभालने के लिए नहीं सिखाया गया, तो वह अनलेबल कुत्ते को एक नया रहस्यमय जीव समझ सकता है, या वह प्लैटिपस को पूरी तरह से अनदेखा कर सकता है। यह शोध पत्र विशेष रूप से इसी भ्रमित करने वाले मध्य क्षेत्र को संबोधित करता है।
शोधकर्ताओं, हीजू हान (HeeJu Han), एजेओंग किम (AJeong Kim), और जिनसुन पार्क (Jinsun Park) ने एक नई चुनौती पेश की है जिसे वे स्पार्सली एनोटेटेड ओपन-वर्ल्ड ऑब्जेक्ट डिटेक्शन (SA-OWOD) कहते हैं। इसे एक जासूसी खेल की तरह समझें जहाँ जासूस के पास एक धुंधली फोटो है जिसमें कुछ सुराग गायब हैं और पृष्ठभूमि में कुछ अजीब, अज्ञात आकृतियाँ हैं। लक्ष्य यह पता लगाना है कि कौन से धुंधले स्थान वास्तव में ज्ञात जानवर हैं जिन्हें फोटोग्राफर ने बस छोड़ दिया था, और कौन से वास्तव में नए, अज्ञात जीव हैं।
इसे हल करने के लिए, उन्होंने एक नया सिस्टम बनाया जिसे DPOD (डुअल-परस्पेक्टिव ऑब्जेक्ट डिस्कवरी) कहा जाता है। कल्पना करें कि DPOD एक जासूस है जिसके पास दो विशेष उपकरण मिलकर काम कर रहे हैं। पहला उपकरण नोन टारगेट रिकवरी मॉड्यूल (KTRM) है। यह उपकरण एक "दूसरी नज़र" विशेषज्ञ की तरह कार्य करता है। यह फोटो को फिर से स्कैन करता है, उन जानवरों की तलाश करता है जो उन जानवरों जैसे दिखते हैं जिन्हें रोबोट पहले से जानता है (जैसे कुत्ते), भले ही मूल फोटो में उनके लिए लेबल न दिया गया हो। यह कहता है, "अरे, यह आकार बिल्कुल उस कुत्ते जैसा दिखता है जिसे हमने पहले देखा है; आइए इसे एक लेबल दे दें ताकि हम इसे अनदेखा न करें।" यह रोबोट को गायब कुत्तों को बैकग्राउंड शोर मानने से रोकने में मदद करता है।
दूसरा उपकरण डुअल-डिसएग्रीमेंट टारगेट जेनरेटर (DDTG) है। यह उपकरण थोड़ा अधिक संदेही है। यह फोटो को दो थोड़े अलग कोणों (या "व्यू") से देखता है, ठीक वैसे ही जैसे हमारी दो आँखें दुनिया को देखती हैं। यदि रोबोट एक कुत्ते के बारे में आश्वस्त है, तो वह दोनों कोणों से कुत्ते की पहचान पर सहमत होगा। लेकिन यदि रोबोट एक अजीब, अज्ञात जीव को देखता है, तो वह भ्रमित हो सकता है और कह सकता है, "क्या यह एक पक्षी है? या एक गिलहरी?" एक कोण से, और "नहीं, शायद एक बिल्ली?" दूसरे कोण से। DDTG इन क्षणों के भ्रम को पकड़ लेता है। यह कहता है, "यदि रोबोट इस बात पर बहस कर रहा है कि यह चीज़ क्या है, तो यह शायद कुछ नया और अज्ञात है!" यह रोबोट को रहस्यमय जीवों को खोजने में मदद करता है बिना गायब लेबल से धोखा खाए।
जब शोधकर्ताओं ने अपने सिस्टम का परीक्षण किया, तो उन्होंने पाया कि यह पिछले तरीकों की तुलना में बहुत बेहतर काम करता है, विशेष रूप से जब लेबल बहुत कम (स्पार्स) थे। अपने प्रयोगों में, उन्होंने एक "कठिन" परिदृश्य बनाया जहाँ उन्होंने प्रशिक्षण छवियों से लगभग आधे लेबल हटा दिए। इस कठिन सेटिंग में भी, उनका तरीका अज्ञात वस्तुओं का 51.85% (एक मीट्रिक जिसे U-Recall कहा जाता है) खोजने में सक्षम था, जो अन्य शीर्ष तरीकों की तुलना में एक महत्वपूर्ण उछाल है जो उसी स्थिति में 33% से अधिक खोजने में संघर्ष कर रहे थे। उन्होंने यह भी दिखाया कि उनका सिस्टम भ्रमित नहीं हुआ; इसने ज्ञात जानवरों (जैसे कुत्ते और बिल्लियों) को खोजने की अपनी क्षमता को पहले की तरह बनाए रखा, 54.09 का उच्च स्कोर बनाए रखा।
शोध पत्र सुझाव देता है कि इन दो उपकरणों को एक साथ उपयोग करके—एक लापता ज्ञात वस्तुओं को पुनः प्राप्त करने के लिए और दूसरा भ्रमित अज्ञात वस्तुओं को पहचानने के लिए—रोबोट अंततः उस अव्यवस्थित, वास्तविक दुनिया की स्थिति को संभाल सकता है जहाँ लेबल गायब हैं और नई चीजें एक साथ दिखाई देती हैं। हालाँकि यह सिस्टम एक बड़ा कदम है, लेखक नोट करते हैं कि यह अभी भी कुछ निश्चित नियमों पर निर्भर करता है जो यह तय करते हैं कि क्या "भ्रमित करने वाला" या "गायब" है, जिन्हें भविष्य में विभिन्न प्रकार की वस्तुओं के लिए समायोजित करने की आवश्यकता हो सकती है। लेकिन फिलहाल के लिए, DPOD रोबोट को दुनिया को मनुष्यों की तरह देखने का एक आशाजनक तरीका प्रदान करता है: ज्ञात तथ्यों और खुले मन की जिज्ञासा के मिश्रण के साथ।
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।