How Sampling Strategy Affects Imbalance Mitigation in LiDAR Segmentation: A Study of Structured vs. Random Point-Based Architectures

एक ऐसी दुनिया की कल्पना करें जहाँ स्व-चालित कारें और स्वायत्त ड्रोन आँखों के बजाय लेजर बीमों से "देखकर" रास्ता खोजते हैं। ये मशीनें प्रकाश के पल्स (pulses) छोड़ती हैं जो जमीन, इमारतों और पेड़ों से टकराकर वापस आती हैं, जो लाखों व्यक्तिगत बिंदुओं के एक बादल के रूप में लौटते हैं। इसी तरह वे अपने परिवेश का एक त्रि-आयामी (three-dimensional) मानचित्र बनाती हैं। हालाँकि, ये मानचित्र पूरी तरह से संतुलित नहीं होते हैं। एक विशिष्ट शहर के दृश्य में, लेजर सड़क के विशाल, सपाट विस्तार या किसी इमारत के किनारे से हजारों बार टकराता है, जबकि वह एक छोटे, दूर स्थित साइनबोर्ड या पैदल यात्री से बहुत कम बार टकराता है। यह एक गंभीर असंतुलन पैदा करता है: कंप्यूटर बड़े चीजों को लगातार देखता है लेकिन छोटे, महत्वपूर्ण विवरणों पर शायद ही ध्यान देता है। यदि मशीन का मस्तिष्क इसे संभालने के लिए प्रशिक्षित नहीं है, तो वह सड़क के डेटा की भारी मात्रा से अभिभूत होकर फुटपाथ पर खड़े व्यक्ति को आत्मविश्वास से अनदेखा कर सकता है।

द दशकों से, शोधकर्ताओं ने मानक 2D फोटोग्राफी में समान समस्याओं को ठीक करने की कोशिश की है, जहाँ कुछ वस्तुएं दूसरों की तुलना में बहुत कम बार दिखाई देती हैं। उन्होंने विभिन्न गणितीय तरकीबें विकसित कीं ताकि वे कंप्यूटर को दुर्लभ वस्तुओं पर अधिक ध्यान देने के लिए मजबूर कर सकें। लेकिन जब इन्हीं तरकीबों को लेजर पॉइंट क्लाउड्स (point clouds) की अराजक, त्रि-आयामी दुनिया में लागू किया गया, तो परिणाम भ्रमित करने वाले थे। कुछ तरीके काम करते थे, जबकि कुछ ने समस्या को और भी बदतर बना दिया। प्रश्न यह था कि क्या इन लेजर डॉट्स को कंप्यूटर द्वारा नमूना लेने (sampling) का तरीका यह बदल देता है कि वास्तव में कौन सी तरकीबें काम करती हैं। साइप्रस विश्वविद्यालय और KIOS रिसर्च एंड इनोवेशन सेंटर ऑफ एक्सीलेंस के शोधकर्ताओं द्वारा किए गए एक नए अध्ययन ने वास्तविक दुनिया के डेटा पर समाधानों की एक विस्तृत श्रृंखला का परीक्षण करके इसका उत्तर देने का प्रयास किया।

शोधकर्ताओं ने दो अलग-अलग तरीकों पर ध्यान केंद्रित किया जिनसे कंप्यूटर इन लेजर क्लाउड्स को प्रोसेस करता है। पहला तरीका, जिसका उपयोग KPConv नामक सिस्टम में किया जाता है, एक सावधान सर्वेक्षक की तरह कार्य करता है। यह एक संरचित, व्यवस्थित पैटर्न में बिंदुओं को चुनता है, यह सुनिश्चित करता है कि दृश्य के हर हिस्से को एक विशिष्ट ज्यामितीय तर्क के साथ सैंपल किया जाए। दूसरा तरीका, जिसका उपयोग RandLA-Net नामक सिस्टम में किया जाता है, बहुत अधिक अराजक है; यह बिंदुओं को पूरी तरह से यादृच्छिक (random) रूप से पकड़ता है, जैसे कोई बच्चा समुद्र तट से रेत की मुट्ठियाँ भर रहा हो। टीम ने दोनों प्रणालियों का परीक्षण तीन बहुत अलग डेटासेट के विरुद्ध किया: एक शहर का विशाल हवाई स्कैन जिसमें 641 से 1 का अत्यधिक असंतुलन था, एक इमारत का इनडोर स्कैन जिसमें मध्यम असंतुलन था, और एक सिंथेटिक, कंप्यूटर-जनित वातावरण। उन्होंने यह देखने के लिए ग्यारह अलग-अलग रणनीतियों को लागू किया कि कौन सा तरीका कंप्यूटर को दुर्लभ वस्तुओं को सबसे अच्छी तरह पहचानने में मदद करता है।

परिणामों ने एक आश्चर्यजनक और स्पष्ट निर्णय दिया। इस क्षेत्र में सबसे आम सहज ज्ञान—सिर्फ कंप्यूटर को यह बताना कि वह दुर्लभ वस्तुओं को उनकी आवृत्ति के आधार पर अधिक महत्व दे—विनाशकारी साबित हुआ। जब शोधकर्ताओं ने इस मानक "इनवर्स-फ्रीक्वेंसी" (inverse-frequency) वेटिंग का उपयोग किया, तो कंप्यूटर का प्रदर्शन काफी गिर गया, कभी-कभी 12 प्रतिशत तक। सबसे खराब मामलों में, सिस्टम विफल हो गया, और खंभों तथा बाड़ों जैसी छोटी वस्तुओं को पूरी तरह से मिस कर गया। अध्ययन ने स्पष्ट रूप से इस लोकप्रिय दृष्टिकोण को खारिज कर दिया, यह दिखाते हुए कि दुर्लभ वर्गों (classes) के महत्व को अंधाधुंध बढ़ाने से वास्तव में मॉडल भ्रमित होता है और दुनिया को सही ढंग से देखने की उसकी क्षमता कम हो जाती है।

इसके बजाय, अध्ययन ने पाया कि सबसे अच्छा समाधान पूरी तरह से इस बात पर निर्भर करता है कि कंप्यूटर डेटा को कैसे सैंपल करता है। संरचित, सर्वेक्षक जैसे सिस्टम के लिए, सबसे सरल दृष्टिकोण अक्सर सबसे अच्छा होता है। यूनिफॉर्म वेटिंग (uniform weighting) का उपयोग करना, जहाँ प्रत्येक वर्ग को बिना किसी विशेष गणितीय समायोजन के समान माना जाता है, जटिल, कस्टम-डिज़ाइन किए गए सूत्रों के लगभग बराबर प्रदर्शन करता है। अंतर इतना कम था—2 प्रतिशत से भी कम—कि जटिल वेट्स की गणना करने का अतिरिक्त प्रयास कोई वास्तविक लाभ नहीं दे सका। संरचित सैंपलिंग विधि स्वाभाविक रूप से असंतुलन को इतनी अच्छी तरह से संभाल लेती थी कि कंप्यूटर को दुर्लभ वस्तुओं पर ध्यान देने के लिए मजबूर करने की आवश्यकता नहीं थी।

हालाँकि, कहानी यादृच्छिक (random), अराजक सैंपलिंग पद्धति के लिए अलग थी। क्योंकि यह सिस्टम दृश्य की प्राकृतिक ज्यामितीय संरचना को त्याग देता है, यह असंतुलन के प्रति बहुत अधिक संवेदनशील है। यहाँ, सरल यूनिफॉर्म दृष्टिकोण विफल रहा, जो विशेषज्ञ तकनीकों से 4.6 प्रतिशत तक पीछे रह गया। इस प्रकार के आर्किटेक्चर के लिए, शोधकर्ताओं ने पाया कि LDAM नामक एक विशिष्ट लॉस फंक्शन (loss function), जो कंप्यूटर को उसकी गलतियों से सीखने में मदद करता है, एक उल्लेखनीय सुधार प्रदान करता है। फिर भी, यहाँ भी सावधानी आवश्यक थी। अन्य जटिल सूत्र जो 2D फोटोग्राफी में अच्छी तरह काम करते थे, उन्होंने रैंडम सिस्टम को उसी तरह विफल कर दिया जैसे साधारण वेटिंग ने स्ट्रक्चर्ड सिस्टम को किया था।

शोधकर्ताओं ने यह समझने के लिए कि ये अंतर क्यों हुए, सीखने की प्रक्रिया के "आकार" (shape) को भी देखा। उन्होंने पाया कि स्ट्रक्चर्ड सिस्टम के लिए, सीखने के कार्य की कठिनाई डेटा के कितने असंतुलित होने से जुड़ी थी; डेटा जितना अधिक असंतुलित होता, सीखने का मार्ग उतना ही तीक्ष्ण और कठिन होता जाता। लेकिन रैंडम सिस्टम के लिए, कठिनाई दृश्य की भौतिक जटिलता से प्रेरित थी। कुर्सियों और मेजों जैसी कई पतली वस्तुओं वाले भीड़भाड़ वाले इनडोर वातावरण में, सीखने का मार्ग ऊबड़-खाबड़ और कठिन हो गया, चाहे कितने भी दुर्लभ ऑब्जेक्ट्स मौजूद हों। यह सुझाव देता है कि रैंडम विधि संघर्ष करती है क्योंकि वह उस संरचनात्मक संदर्भ को खो देती है जो कंप्यूटर को दृश्य को समझने में मदद करता है।

अंततः, यह कार्य इन प्रणालियों को बनाने वाले इंजीनियरों के लिए एक व्यावहारिक मार्गदर्शिका प्रदान करता है। यह सुझाव देता है कि यदि आप एक स्ट्रक्चर्ड सैंपलिंग विधि का उपयोग कर रहे हैं, तो अपने समाधान को अत्यधिक जटिल (over-engineer) बनाने के प्रलोभन से बचें; सभी वर्गों के लिए एक सरल, समान उपचार मजबूत और प्रभावी है। यदि आप एक रैंडम सैंपलिंग विधि का उपयोग कर रहे हैं, तो आपको असंतुलन को संभालने के लिए एक विशेष उपकरण की आवश्यकता है, लेकिन आपको इसे सावधानी से चुनना होगा, क्योंकि गलत उपकरण पूरे सिस्टम को तोड़ सकता है। अध्ययन निष्कर्ष निकालता है कि सभी 3D विज़न कार्यों के लिए कोई एक जादुई समाधान (magic bullet) नहीं है। इसके बजाय, किसी भी समाधान की प्रभावशीलता इस बात से आकार लेती है कि डेटा कैसे एकत्र किया जाता है, कंप्यूटर उसे कैसे सैंपल करता है, और उस विशिष्ट वातावरण की प्रकृति क्या है जिसे वह समझने की कोशिश कर रहा है।