LipiNet: A Lite Robust Architecture with Scaffold-Injected Dense Residual Networks and Gated Capsule Routing for Devanagari Handwritten Character Recognition

कंप्यूटरों की उस दुनिया में जो हस्तलिपि (handwriting) पढ़ सकते हैं, समस्याओं को केवल मशीनों को बड़ा बनाकर हल करने की एक लंबे समय से चली आ रही आदत है। दशकों से, शोधकर्ताओं ने विशाल डिजिटल मस्तिष्क बनाए हैं, जिनमें लाखों छोटे समायोज्य नॉब (adjustable knobs) भरे हैं, इस उम्मीद में कि केवल आकार ही अंततः कंप्यूटर को अक्षरों के जटिल आकारों को खुद समझने के लिए मजबूर कर देगा। यह दृष्टिकोण अंग्रेजी जैसी भाषाओं के लिए अच्छा रहा है, जहाँ अक्षर अपेक्षाकृत सरल होते हैं, लेकिन यह उन लिपियों के साथ एक दीवार से टकरा जाता है जिनमें अधिक जटिल ज्यामितीय नियम होते हैं। जब एक कंप्यूटर को बिना बताए नियम सीखने की कोशिश करता है, तो उसे हर अक्षर के हर संभावित बदलाव को याद करना पड़ता है, जिसके लिए अत्यधिक मेमोरी और प्रोसेसिंग पावर की आवश्यकता होती है। प्रश्न जो इस क्षेत्र में बना हुआ है वह यह है कि क्या यह विशाल आकार वास्तव में आवश्यक है, या समस्या इस बात में है कि कंप्यूटर शुरू से सीखने की कोशिश कर रहे हैं बजाय इसके कि उन्हें एक सहायक शुरुआत दी जाए।

काठमांडू विश्वविद्यालय, नेपाल की शोधकर्ताओं की एक टीम ने एक अलग तरह का रास्ता प्रस्तावित किया है, जो देवनागरी लिपि के अनूठे ज्यामिति (geometry) का सम्मान करता है, जो हिंदी, संस्कृत और कई अन्य भाषाओं की लेखन प्रणाली है। उनका तर्क है कि एक सामान्य कंप्यूटर को इन अक्षरों की संरचना का अनुमान लगाने के लिए मजबूर करने के बजाय, कंप्यूटर के आर्किटेक्चर को उन विशिष्ट नियमों के इर्द-गिर्द बनाना कहीं अधिक कुशल है जिनका वह लिपि पहले से ही पालन करती है। देवनागरी में, लगभग हर अक्षर ऊपर की ओर एक निरंतर क्षैतिज रेखा से लटका होता है, जिसे शिरोरेखा कहा जाता है। यह रेखा केवल एक सजावटी विशेषता नहीं है; यह एक मौलिक संरचनात्मक नियम है जो अक्षर को परिभाषित करता है। शोधकर्ताओं ने पाया कि कंप्यूटर को इस रेखा को खोजने के लिए स्पष्ट रूप से सिखाकर और अपनी सीखने की प्रक्रिया को इसके साथ जोड़कर, वे एक ऐसा सिस्टम बना सकते हैं जो वर्तमान में उपयोग किए जा रहे विशाल मॉडलों की तुलना में न केवल छोटा और तेज़ है, बल्कि अधिक सटीक भी है।

शोधकर्ताओं ने एक नया सिस्टम पेश किया जिसे वे LipiNet कहते हैं, जो इस कार्य के लिए विशेष रूप से डिज़ाइन किया गया एक हल्का और मजबूत आर्किटेक्चर है। पिछले मॉडलों के विपरीत जो प्रत्येक हस्तलिखित अक्षर को वर्गीकृत करने के लिए एक सामान्य छवि के रूप में देखते हैं, LipiNet को एक विशिष्ट "पाड़" (scaffold) को ध्यान में रखकर बनाया गया है। कंप्यूटर की सीखने की प्रक्रिया को परतों की एक श्रृंखला के रूप में कल्पना करें, जहाँ प्रत्येक परत छवि से अधिक जटिल विवरण निकालती है। पारंपरिक प्रणालियों में, ये परतें सामान्य होती हैं; वे किनारों, वक्रों और बनावट को खोजती हैं बिना यह जाने कि अंतिम वस्तु वास्तव में कैसी दिखनी चाहिए। हालाँकि, LipiNet इस सीखने की प्रक्रिया के हर एक स्तर में शिरोरेखा का एक निरंतर अनुस्मारक (reminder) इंजेक्ट करता है। यह इसे एक विशेष फ़िल्टर का उपयोग करके करता है जो शुरुआत से ही विशेष रूप से उस क्षैज़ित शीर्ष पट्टी को स्कैन करता है। यह फ़िल्टर एक संरचनात्मक मार्गदर्शक, या पाड़ बनाता है, जिसे फिर नेटवर्क के माध्यम से नीचे भेजा जाता है, यह सुनिश्चित करते हुए कि कंप्यूटर लिपि के सबसे महत्वपूर्ण ज्यामितीय नियम से कभी अपनी दृष्टि न खोए।

इसे काम करने के लिए, टीम ने नेटवर्क के प्रारंभ में एक दोहरी-पथ (dual-path) प्रणाली डिज़ाइन की। एक पथ छवि को सामान्य रूप से देखता है, सामान्य बनावट और आकृतियों की खोज करता है, जबकि दूसरा पथ पूरी तरह से उस क्षैतिज शीर्ष पट्टी को खोजने के लिए समर्पित है। सूचना के इन दो प्रवाहों को फिर जोड़ा जाता है, जिसमें संरचनात्मक मार्गदर्शक एक भारित लंगर (weighted anchor) के रूप में कार्य करता है जो कंप्यूटर को लिपि की ज्यामिति पर केंद्रित रखता है। यह लंगर केवल एक बार की जाँच नहीं है; इसे हर बार इंजेक्ट किया जाता है जब कंप्यूटर छवि को गहराई से प्रोसेस करता है। शोधकर्ताओं ने इस लंगर की विभिन्न शक्तियों का परीक्षण किया और पाया कि एक विशिष्ट, मध्यम भार ने कंप्यूटर को प्रत्येक अक्षर के अद्वितीय विवरणों को सीखने और साथ ही समग्र संरचना का सम्मान करने की अनुमति दी। यदि लंगर बहुत कमजोर था, तो कंप्यूटर नियम भूल गया; यदि यह बहुत मजबूत था, तो इसने एक-दूसरे से अलग करने वाले अद्वितीय विवरणों को अनदेखा कर दिया।

एक बार जब कंप्यूटर इन संरचित परतों के माध्यम से छवि को प्रोसेस कर लेता है, तो उसे यह तय करने की आवश्यकता होती है कि वह किस अक्षर को देख रहा है। शोधकर्ताओं ने एक अंतिम घटक जोड़ा है जो एक स्मार्ट वोटिंग सिस्टम की तरह कार्य करता है। केवल अंतिम छवि को देखकर अनुमान लगाने के बजाय, यह सिस्टम सूचना को अक्षरों के विभिन्न वर्गों का प्रतिनिधित्व करने वाले समूहों में व्यवस्थित करता है। यह यह जांचने के लिए एक सुव्यवस्थित विधि का उपयोग करता है कि छवि की विशेषताएं प्रत्येक अक्षर के ज्ञात पैटर्न के साथ कितनी अच्छी तरह मेल खाती हैं, जो कि पुराने तरीकों की तुलना में बहुत तेज़ है और कम कंप्यूटिंग पावर की आवश्यकता होती है। यह अंतिम चरण सामान्य छवि विश्लेषण को विशिष्ट संरचनात्मक ज्ञान के साथ जोड़ता है, जिससे सिस्टम स्ट्रोक के आकार और शीर्ष बार के सापेक्ष उनकी स्थिति दोनों के आधार पर एक आत्मविश्वासी निर्णय ले पाता है।

जब टीम ने 46 देवनागरी अक्षरों के एक मानक डेटासेट पर LipiNet का परीक्षण किया, तो परिणाम आश्चर्यजनक थे। सिस्टम ने 99.75% की टेस्ट सटीकता प्राप्त की, जो इस विशिष्ट बेंचमार्क पर किसी भी पिछले तरीके से अधिक है। अधिक महत्वपूर्ण बात यह है कि इसने केवल 3.9 मिलियन समायोज्य पैरामीटरों के साथ ऐसा किया। इसे समझने के लिए, पिछले सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडलों को समान या उससे थोड़ी कम सटीकता तक पहुँचने के लिए 17 मिलियन से 39 मिलियन मापदंडों की आवश्यकता थी। इसका अर्थ है कि LipiNet अपने पूर्ववर्तियों की तुलना में लगभग चार से दस गुना अधिक कुशल है। शोधकर्ताओं ने पुष्टि की कि यह सुधार केवल एक इत्तेफाक नहीं था; जब उन्होंने अपने सिस्टम से संरचनात्मक पाड़ को हटा दिया, तो सटीकता उल्लेखनीय रूप से गिर गई, जिससे सिद्ध हुआ कि विशिष्ट डिज़ाइन विकल्प ही सफलता की कुंजी थी।

अध्ययन ने यह भी पता लगाया कि क्या होता है जब कंप्यूटर को यह संरचनात्मक सहायता नहीं दी जाती है। उन प्रयोगों में जहाँ पाड़ को हटा दिया गया था, सिस्टम की सटीकता में एक छोटी लेकिन महत्वपूर्ण गिरावट आई, जिससे पता चला कि बिना निरंतर मार्गदर्शन के कंप्यूटर समान स्तर की सटीकता बनाए रखने के लिए संघर्ष करता है। यह सुझाव देता है कि दक्षता में वृद्धि डिज़ाइन द्वारा प्रदान की गई जानकारी से आती है, न कि केवल अधिक डेटा या बड़े मॉडल से। शोधकर्ताओं ने यह भी पाया कि उनका सिस्टम उन अक्षरों के बीच अंतर करने में विशेष रूप से अच्छा था जो दिखने में बहुत समान होते हैं, जैसे कि वे जो एक विशिष्ट स्थान पर केवल एक स्ट्रोक से भिन्न होते हैं। शीर्ष बार को अपनी स्मृति में लंगर बनाकर, कंप्यूटर अपना ध्यान उन महत्वपूर्ण, विभेदक विवरणों पर केंद्रित कर सका।

यह कार्य कृत्रिम बुद्धिमत्ता में इस प्रचलित विचार को चुनौती देता है कि बड़ा होना हमेशा बेहतर होता है। यह प्रदर्शित करता है कि मजबूत, सुसंगत नियमों वाले कार्यों के लिए—जैसे कि देवनागड़ी लिपि की संरचना—मॉडल के आकार को केवल बढ़ाने के बजाय उन नियमों को सीधे कंप्यूटर के आर्किटेक्चर में बनाना एक अधिक शक्तिशाली रणनीति है। शोधकर्ताओं ने यह दावा नहीं किया कि यह दृष्टिकोण हर हस्तलिपि पहचान की समस्या को हल करता है, यह नोट करते हुए कि उनका कार्य अलग-अलग अक्षरों पर केंद्रित था और जुड़े हुए टेक्स्ट या पूर्ण शब्दों को पहचानना अभी भी एक भविष्य की चुनौती है। हालाँकि, उनके निष्कर्ष एक स्पष्ट मार्ग प्रदान करते हैं: समस्या की विशिष्ट प्रकृति को समझकर और उस समझ को मशीन में समाहित करके, हम ऐसे सिस्टम बना सकते हैं जो न केवल स्मार्ट हैं बल्कि अधिक लीन (lean) और कुशल भी हैं। LipiNet की सफलता बताती है कि हस्तलिपि पहचान का भविष्य केवल बड़े 'ब्लैक बॉक्स' बनाने में नहीं है, बल्कि उन प्रणालियों को डिजाइन करने में है जो उन भाषाओं के अद्वितीय आकारों और नियमों के साथ विचारपूर्वक संरेखित हों जिन्हें वे पढ़ने के लिए बनाई गई हैं।