Novel Human-Machine Interface via a Robust Hand Gesture Recognition System Using a Channel-Pruned You Only Look Once Version 5 Model
यह शोधपत्र मानव-मशीन इंटरफेस के लिए एक सुदृढ़, वास्तविक समय की हैंड जेस्चर रिकग्निशन प्रणाली प्रस्तुत करता है जो VLC और Spotify जैसे मल्टीमीडिया अनुप्रयोगों के निर्बाध नियंत्रण को सक्षम करने के लिए 60 FPS से अधिक की उच्च पहचान गति और उत्कृष्ट सटीकता प्राप्त करने हेतु एक चैनल-प्रून और फाइन-ट्यून्ड YOLOv5s मॉडल का उपयोग करता है।
मूल पेपर CC BY 4.0 (https://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
मनुष्य हमेशा से मशीनों के साथ संवाद करने के ऐसे तरीके खोजने की कोशिश करते रहे हैं जो स्वाभाविक महसूस हों, और कीबोर्ड तथा माउस की कठोर सीमाओं से परे हों। दशकों से, वैज्ञानिक लोगों को उनके हाथों से कंप्यूटर नियंत्रित करने के विचार पर शोध कर रहे हैं, जिसे 'हैंड जेस्चर रिकग्निशन' (हाथ के संकेतों की पहचान) के रूप में जाना जाता है। यह तकनीक व्यक्ति के हाथ की छवियों को कैप्चर करने के लिए कैमरों पर निर्भर करती है, जिसके बाद एक सॉफ्टवेयर उंगलियों के आकार और स्थिति की पहचान करता है ताकि यह समझ सके कि उपयोगकर्ता क्या कहना चाह रहा है। हालांकि यह सुनने में सरल लगता है, लेकिन वास्तविक दुनिया अव्यवस्थित होती है। रोशनी में बदलाव, पृष्ठभूमि का शोर, और हाथों का आंशिक रूप से छिप जाना—ये सभी कंप्यूटर की दृष्टि को भ्रमित कर सकते हैं। इसके अलावा, इन प्रणालियों को वास्तव में प्रतिक्रियाशील महसूस कराने के लिए, उन्हें जानकारी को लगभग तुरंत संसाधित करना होता है, जो कि एक ऐसा कार्य है जिसके लिए अक्सर शक्तिशाली और ऊर्जा की अधिक खपत करने वाले कंप्यूटरों की आवश्यकता होती है जिन्हें रोजमर्रा के उपकरणों में स्थापित करना कठिन होता है। चुनौती एक ऐसा सिस्टम बनाने में है जो कठिन परिस्थितियों में भी स्पष्ट रूप से देख सके और इतना हल्का भी हो कि मानक हार्डवेयर पर तेजी से चल सके।
भारत के संस्थानों के शोधकर्ताओं की एक टीम ने इस चुनौती का समाधान करने के लिए हाथ के संकेतों को अधिक तेज़ और विश्वसनीय बनाने का एक नया तरीका विकसित किया है। उन्होंने आर्टिफिशियल इंटेलिजेंस के एक विशिष्ट प्रकार के मॉडल पर ध्यान केंद्रित किया जिसे YOLO कहा जाता है, जिसका अर्थ है "यू ओनली लुक वन्स" (आप केवल एक बार देखते हैं)। यह मॉडल छवियों में वस्तुओं को बहुत तेज़ी से पहचानने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने इस मॉडल के एक छोटे, कुशल संस्करण से शुरुआत की और फिर 'चैनल प्रूनिंग' नामक तकनीक को लागू किया। कल्पना कीजिए कि सड़कों के एक बड़े नेटवर्क में कुछ लेन शायद ही कभी उपयोग की जाती हैं; चैनल प्रूनिंग उन खाली लेन को बंद करने जैसा है ताकि यातायात की भीड़ कम हो सके और गंतव्य बदले बिना यात्रा की गति बढ़ सके। कंप्यूटर मॉडल के आंतरिक ढांचे के अनावश्यक हिस्सों को व्यवस्थित रूप से हटाकर, टीम ने एक सुव्यवस्थित संस्करण बनाया जो मूल संस्करण की तुलना में बहुत छोटा और तेज़ है। इसके बाद उन्होंने इस सरल मॉडल को सावधानीपूर्वक पुन: प्रशिक्षित (retrain) किया ताकि यह सुनिश्चित हो सके कि आकार में कमी के बाद भी इसकी संकेतों को पहचानने की क्षमता कम न हो।
इस कार्य के परिणाम दर्शाते हैं कि सरल बनाया गया मॉडल असाधारण रूप से अच्छा प्रदर्शन करता है। हाथ के संकेतों की छवियों के एक संग्रह पर परीक्षण किए जाने पर, नए सिस्टम ने 60 फ्रेम प्रति सेकंड से अधिक की पहचान गति प्राप्त की। इसका अर्थ है कि कंप्यूटर हर सेकंड एक हाथ की 60 से अधिक अलग-अलग छवियों का विश्लेषण कर सकता है, जो एक ऐसी गति है जो मानवीय उपयोगकर्ता के लिए बातचीत को तात्कालिक महसूस कराने के लिए पर्याप्त तेज़ है। सिस्टम तेरह अलग-अलग हाथ के आकारों, जैसे कि खुला हथेली, मुट्ठी, या विशिष्ट उंगलियों की गिनती को उच्च सटीकता के साथ पहचानने में सक्षम था। हालांकि मॉडल के हिस्सों को हटाने की प्रक्रिया के कारण इसकी कच्ची सटीकता (raw accuracy) में बहुत मामूली गिरावट आई, लेकिन पुन: प्रशिक्षण प्रक्रिया ने इस प्रदर्शन को काफी हदत तक वापस पा लिया, जिसके परिणामस्वरूप एक ऐसा सिस्टम मिला जो गति और सटीकता के बीच सर्वोत्तम संतुलन प्रदान करता है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण कई मौजूदा विधियों से बेहतर है, जिनमें बड़े और अधिक जटिल मॉडल शामिल हैं जिन्हें उन्हीं छवियों को संसाधित करने में अधिक समय लगता है।
यह सिद्ध करने के लिए कि यह तकनीक वास्तविक दुनिया के परिवेश में काम करती है, टीम ने एक कार्यात्मक इंटरफ़ेस बनाया जो उपयोगकर्ताओं को केवल अपने हाथों से मीडिया प्लेयर को नियंत्रित करने की अनुमति देता है। उन्होंने अपने जेस्चर रिकग्निशन सिस्टम को VLC (एक लोकप्रिय वीडियो प्लेयर) और Spotify (एक म्यूजिक स्ट्रीमिंग सेवा) से जोड़ा। अपने प्रदर्शन में, एक उपयोगकर्ता संगीत चलाने, वीडियो रोकने, अगले ट्रैक पर जाने या वॉल्यूम को समायोजित करने के लिए एक विशिष्ट हाथ का आकार दिखा सकता था। सिस्टम मिलीसेकंड में प्रतिक्रिया दे रहा था, जिससे नियंत्रण सहज महसूस हो रहा था। हालाँकि, शोधकर्ताओं को एक व्यावहारिक बाधा का भी सामना करना पड़ा: क्योंकि कंप्यूटर बहुत तेज़ था, इसलिए यह कभी-कभी एक ही संकेत को बहुत कम समय में कई बार दर्ज कर लेता था, जिससे संगीत कई गाने छोड़कर आगे बढ़ जाता था या वॉल्यूम बहुत तेज़ी से ऊपर-नीचे हो जाता था। इसे हल करने के लिए, उन्होंने सॉफ्टवेयर की प्रतिक्रिया समय में एक बहुत ही सूक्ष्म और जानबूझकर दिया गया अंतराल (pause) पेश किया। इस छोटे से विलंब ने यह सुनिश्चित किया कि प्रत्येक हाथ की हरकत को एक एकल, विशिष्ट कमांड माना जाए, जिससे सिस्टम को उपयोगकर्ता की स्वाभाविक गतिविधियों पर अत्यधिक प्रतिक्रिया करने से रोका जा सके।
यह अध्ययन पुष्टि करता है कि भारी कंप्यूटिंग शक्ति की आवश्यकता के बिना मजबूत, रीयल-टाइम जेस्चर कंट्रोल सिस्टम बनाना संभव है। आर्टिफिशियल इंटेलिजेंस मॉडल की आंतरिक संरचना को परिष्कृत करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो हल्का भी है और अत्यधिक प्रभावी भी। यह कार्य सुझाव देता है कि निकट भविष्य में, उपयोगकर्ता अपने मनोरंजन प्रणालियों, स्मार्ट होम उपकरणों, या अन्य अनुप्रयोगों को सरल हाथ की गतिविधियों के साथ नियंत्रित कर सकेंगे, यहाँ तक कि अलग-अलग रोशनी या व्यस्त पृष्ठभूमि वाले कमरों में भी। शोधकर्ता भविष्य में इस कार्य का विस्तार गतिशील संकेतों (dynamic gestures) को शामिल करने के लिए करने की योजना बना रहे हैं, जहाँ हाथ की गति उतनी ही महत्वपूर्ण होगी जितना कि उसका आकार, और हाथ के संकेतों को आई ट्रैकिंग (eye tracking) जैसे अन्य इनपुट के साथ जोड़ने के लिए भी। फिलहाल, उन्होंने सहज और उत्तरदायी मानव-मशीन संपर्क को अधिक सहज बनाने की दिशा में एक स्पष्ट मार्ग प्रदर्शित किया है, जिससे कंप्यूटर विज़न के जटिल कार्य को रोजमर्रा के उपयोगकर्ताओं के लिए एक सरल और विश्वसनीय अनुभव में बदला जा सका है।
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।