STEP: Score-Based Temporal Energy for Human Pose Video Anomaly Detection
यह शोध पत्र STEP को प्रस्तुत करता है, जो एक हल्का ढांचा (lightweight framework) है जो पोज़ अनुक्रमों (pose sequences) को PCA-व्हाइटन्ड स्पेस (PCA-whitened space) में प्रोजेक्ट करके लंबे टेम्पोरल विंडोज़ के लिए भौतिक रूप से सुसंगत शोर इंजेक्शन (physically plausible noise injection) सुनिश्चित करता है और पोज़ अनुमान त्रुटियों को कम करने के लिए कॉन्फिडेंस-आधारित वेटिंग (confidence-based weighting) को एकीकृत करके स्केलेटन-आधारित वीडियो विसंगति का पता लगाने की प्रक्रिया को बढ़ाता है, जिससे UBnormal और ShanghaiTech बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता 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
आधुनिक जीवन के भीड़भाड़ वाले स्थानों में—कारखानों के फर्श, व्यस्त सड़कें और देखभाल केंद्र—मुसीबत पर नज़र रखना एक निरंतर, थका देने वाला कार्य है। कैमरे हलचल की अंतहीन धाराएं कैद करते हैं, लेकिन मानव आँखें हर फ्रेम की निगरानी नहीं कर सकतीं बिना किसी गिरावट, लड़ाई या अचानक हुई दुर्घटना को नज़रअंदाज़ किए। दशकों से, वैज्ञानिक कंप्यूटर को इन दुर्लभ, खतरनाक क्षणों को स्वचालित रूप से पहचानने के लिए प्रशिक्षित करने का प्रयास कर रहे हैं। यह चुनौती अनूठी है: किसी गलत चीज़ को पहचानने के लिए, मशीन को पहले यह सीखना होगा कि "सही" क्या दिखता है। चूंकि खतरनाक घटनाएँ दुर्लभ और अप्रत्याशित होती हैं, इसलिए शोधकर्ता अपने सिस्टम को केवल सामान्य, रोजमर्रा के व्यवहार पर प्रशिक्षित करते हैं, इस उम्मीद में कि कंप्यूटर सुरक्षा की लय को इतनी अच्छी तरह से सीख लेगा कि उस लय में कोई भी व्यवधान ध्यान खींचने के लिए चिल्ला उठेगा।
वर्षों तक, ऐसा करने का सबसे विश्वसनीय तरीका दुनिया की दृश्य अव्यवस्था—कपड़े, रोशनी, पृष्ठभूमि—को हटाना और केवल मानव शरीर के कंकाल (skeleton) पर ध्यान केंद्रित करना रहा है। कोहनी और घुटनों जैसे जोड़ों की स्थिति को ट्रैक करके, एल्गोरिदम गति की शुद्ध ज्यामिति देख सकते हैं। यह दृष्टिकोण गोपनीयता की रक्षा करता है और विकर्षणों को अनदेखा करता है, लेकिन यह एक सीमा तक पहुँच गया है। जब शोधकर्ताओं ने डेटा में यादृच्छिक शोर (random noise) जोड़कर इन प्रणालियों को गति के लंबे अनुक्रमों को समझने के लिए सिखाने की कोशिश की—जो कंप्यूटर को पैटर्न सीखने में मदद करने के लिए उपयोग की जाने वाली एक तकनीक है—तो कंकाल बिखर गए। वह यादृच्छिक शोर अंगों को असंभव कोणों में मोड़ देता था, भौतिकी के नियमों को तोड़ देता था और कंप्यूटर को भ्रमित कर देता था। सिस्टम अपनी ऊर्जा यह सीखने में खर्च कर देता था कि टूटी हुई हड्डियों को कैसे ठीक किया जाए, बजाय इसके कि वह यह सीख सके कि कोई व्यक्ति गलत दिशा में क्यों दौड़ रहा है।
ग्राज़ यूनिवर्सिटी ऑफ टेक्नोलॉजी और मेडिकल यूनिवर्सिटी ऑफ ग्राज़ के शोधकर्ताओं की एक टीम ने इस टूटे हुए आधार को ठीक करने का एक तरीका खोज लिया है। उन्होंने STEP नामक एक नई विधि विकसित की है, जो कंप्यूटर द्वारा सीखने से पहले डेटा के लिए एक फिल्टर के रूप में कार्य करती है। जोड़ों के कच्चे, अस्थिर निर्देशांकों (coordinates) को सीधे सीखने वाली प्रणाली में डालने के बजाय, वे पहले गति को एक संक्षिप्त, गणितीय स्थान में अनुवादित करते हैं जहाँ मानव शरीर रचना के नियम पहले से ही शामिल होते हैं। एक जटिल, घूमते हुए नृत्य को कुछ सरल, सुचारू रेखाओं में बदलने की कल्पना करें जो कंपन के बिना गति के सार को पकड़ लेती हैं। इस नए स्थान में, जब शोधकर्ता कंप्यूटर को सीखने में मदद करने के लिए आवश्यक यादृच्छिक शोर जोड़ते हैं, तो शोर कंकाल को तोड़ता नहीं है। इसके बजाय, यह गति को धीरे से धकेलता है, ऐसी विविधताएं बनाता है जो अभी भी शारीरिक रूप से संभव हैं, जैसे कि थोड़ा तेज़ चलना या थोड़ा चौड़ा मुड़ना।
यह बदलाव कंप्यूटर को समय के साथ सामान्य व्यवहार की बहुत स्पष्ट तस्वीर बनाने की अनुमति देता है। शोधकर्ताओं ने अपने सिस्टम का परीक्षण दो प्रमुख डेटासेट्स पर किया: एक जिसमें विभिन्न दृश्यों में लोगों के वास्तविक फुटेज शामिल थे, और दूसरा जो सावधानीपूर्वक लेबल की गई विसंगतियों (anomalies) के साथ अत्यधिक यथार्थवादी कंप्यूटर-जनरेटेड वीडियो से बना था। परिणाम आश्चर्यजनक थे। सिंथेटिक डेटासेट पर, उनके सिस्टम ने 90.1% बार असामान्य व्यवहार की सही पहचान की, जो पिछले सर्वोत्तम तरीकों की तुलना में एक महत्वपूर्ण छलांग है। वास्तविक दुनिया के डेटासेट पर, इसने सबसे उन्नत मौजूदा प्रणालियों के प्रदर्शन का मुकाबला किया, जिससे सिद्ध हुआ कि यह तब भी काम करता है जब वीडियो अव्यवस्थित हो या कैमरा एंगल कठिन हो।
महत्वपूर्ण रूप से, यह सिस्टम अपनी सीमाओं के बारे में भी स्मार्ट है। वास्तविक दुनिया में लोगों को ट्रैक करने के लिए उपयोग किए जाने वाले कैमरे और सॉफ्टवेयर पूर्ण नहीं होते हैं; वे कभी-कभी किसी व्यक्ति का पीछा खो देते हैं या छाया और धुंधलेपन से भ्रमित हो जाते हैं। नई विधि में एक अंतर्निहित 'कॉन्फिडेंस चेक' शामिल है। यदि ट्रैकिंग सॉफ्टवेयर इस बात को लेकर अनिश्चित है कि एक जोड़ कहाँ है, तो सिस्टम स्वचालित रूप से उस जानकारी के भार (weight) को कम कर देता है, जिससे एक क्षणिक गड़बड़ी को खतरनाक घटना के रूप में mistaken होने से रोका जा सके। यह डिटेक्टर को वास्तविक दुनिया की निगरानी की अपरिहार्य त्रुटियों के विरुद्ध मजबूत बनाता है।
इस प्रणाली की दक्षता उतनी ही प्रभावशाली है जितनी कि इसकी सटीकता। क्योंकि यह विधि इतनी सुव्यवस्थित है, यह एक ही फ्रेम में पचास लोगों की गतिविधियों को एक मिलीसेकंड से भी कम समय में संसाधित कर सकती है। यह गति का अर्थ है कि यह मानक हार्डवेयर पर रीयल-टाइम में चल सकती है, जिससे कंप्यूटर जोड़ों को खोजने का भारी काम संभालने के लिए स्वतंत्र रहता है। शोधकर्ताओं का तर्क है कि गति की ज्यामिति पर ध्यान केंद्रित करके और सीखने से पहले डेटा को साफ करके, उन्होंने एक मौलिक समस्या को हल कर दिया है जिसने वर्षों तक इस क्षेत्र को प्रभावित किया है। उन्होंने दिखाया है कि आपको यह जानने के लिए किसी व्यक्ति के चेहरे या कपड़ों को देखने की आवश्यकता नहीं है कि क्या वे मुसीबत में हैं; आपको केवल उनकी गति के आकार को समझने की आवश्यकता है, बशर्ते कि वह आकार टूटे बिना सांस लेने के लिए स्वतंत्र हो।
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।