JarifNet: An Attention-Augmented Lightweight CNN for Highly Calibrated Edge Image Classification

आधुनिक तकनीक की दुनिया में, बुद्धिमत्ता (intelligence) और दक्षता (efficiency) के बीच एक निरंतर खींचतान चलती रहती है। कंप्यूटर पैटर्न पहचानने में अविश्वसनीय रूप से कुशल हो गए हैं, जैसे कि किसी तस्वीर में बिल्ली की पहचान करना या कारखाने की लाइन पर किसी दोष को पकड़ना, लेकिन इस बुद्धिमत्ता की अक्सर एक भारी कीमत चुकानी पड़ती है: भारी मात्रा में ऊर्जा और मेमोरी। इन स्मार्ट सिस्टम को चलाने के लिए, इंजीनियरों को आमतौर पर शक्तिशाली, महंगे सर्वरों की आवश्यकता होती है जो काफी अधिक बिजली की खपत करते हैं। हालांकि, तकनीक का भविष्य इस बुद्धिमत्ता को सीधे छोटे, बैटरी से चलने वाले उपकरणों जैसे कि स्मार्टफोन, मेडिकल सेंसर या स्वायत्त ड्रोन (autonomous drones) में रखने में निहित है। ये उपकरण, जिन्हें 'एज डिवाइसेस' (edge devices) कहा जाता है, बहुत सीमित शक्ति रखते हैं और पारंपरिक अति-बुद्धिमान प्रणालियों का भारी कम्प्यूटेशनल भार नहीं उठा सकते। शोधकर्ताओं के लिए चुनौती एक ऐसा 'मस्तिष्क' बनाने की है जो इन छोटी मशीनों के लिए इतना स्मार्ट हो कि सटीक निर्णय ले सके, लेकिन इतना हल्का भी हो कि बैटरी को खत्म किए बिना या गर्म हुए बिना चल सके।

इसे हल करने के लिए, वैज्ञानिक विशेष प्रकार के कंप्यूटर प्रोग्राम डिजाइन कर रहे हैं जिन्हें 'कन्वोल्यूशनल न्यूरल नेटवर्क' (convolutional neural networks) कहा जाता है। इन्हें इस तरह बनाया गया है कि ये इस बात की नकल कर सकें कि मानव आँख दृश्य जानकारी को कैसे संसाधित करती है, यानी एक पूरी तस्वीर बनाने के लिए छवि को टुकड़ों में स्कैन करना। वर्षों से, शोधकर्ताओं ने इन नेटवर्क्स के अनावश्यक हिस्सों को हटाकर इनके हल्के संस्करण बनाए हैं, ठीक वैसे ही जैसे किसी कार को तेज़ बनाने के लिए उसके केवल आवश्यक घटकों तक सीमित कर दिया जाता है। हालांकि, नेटवर्क को बहुत छोटा बनाने से अक्सर इसकी सटीकता कम हो जाती है, जिससे यह एक जैसी दिखने वाली वस्तुओं में भ्रमित हो सकता है, जैसे कि कुत्ते को बिल्ली समझ लेना। इसके अलावा, भले ही ये छोटे नेटवर्क सही अनुमान लगाते हैं, वे अक्सर यह जानने में संघर्ष करते हैं कि वे अपने उत्तर के बारे में कितने आश्वस्त हैं, और कभी-कभी गलत होने पर भी आत्मविश्वास दिखाते हैं। विश्वसनीयता की यह कमी उन्हें उन सुरक्षा-महत्वपूर्ण कार्यों के लिए जोखिम भरा बना देती है जहाँ एक गलत अनुमान के गंभीर परिणाम हो सकते हैं।

सादिक अल जरीफ नामक एक शोधकर्ता ने इस समस्या के समाधान के रूप में 'जरीफनेट' (JarifNet) नामक एक नया समाधान प्रस्तावित किया है। यह एक संक्षिप्त, अत्यधिक कुशल कंप्यूटर विजन सिस्टम है जिसे विशेष रूप से छोटे उपकरणों पर उच्च सटीकता बनाए रखते हुए चलाने के लिए डिज़ाइन किया गया है और सबसे महत्वपूर्ण बात यह है कि यह अपने अनुमानों में अपनी सटीकता (confidence) को ठीक से जानता है। इसका डिज़ाइन दो सिद्ध विचारों को जोड़ता है: एक सुव्यवस्थित संरचना जो छवियों को कुशलतापूर्वक संसाधित करती है, और एक विशेष 'अटेंशन मैकेनिज्म' (attention mechanism) जो सिस्टम को बैकग्राउंड शोर को अनदेखा करते हुए सबसे महत्वपूर्ण विवरणों पर ध्यान केंद्रित करने में मदद करता है। शोधकर्ता ने एक ऐसी तकनीक भी जोड़ी जो प्रशिक्षण के दौरान नेटवर्क के कुछ हिस्सों को यादृच्छिक रूप से छोड़ देती है, जो सिस्टम को केवल प्रशिक्षण डेटा को रटने के बजाय अधिक मजबूत विशेषताओं (robust features) को सीखने के लिए मजबूर करती है। दस हजार छोटी छवियों के एक मानक सेट का उपयोग करके इस नए डिज़ाइन का अन्य पांच प्रसिद्ध प्रणालियों के विरुद्ध परीक्षण करके, अध्ययन का उद्देश्य यह देखना था कि क्या यह मौजूदा मॉडलों की तुलना में गति और विश्वसनीयता दोनों में बेहतर प्रदर्शन कर सकता है।

अध्ययन के परिणाम दर्शाते हैं कि जरीफनेट इन प्रतिस्पर्धी जरूरतों के बीच सफलतापूर्वक संतुलन बनाता है। छवियों के मानक सेट पर परीक्षण करने पर, सिस्टम ने 92.27 प्रतिशत मामलों में वस्तुओं की सही पहचान की। यह प्रदर्शन वर्तमान में उपलब्ध सर्वश्रेष्ठ हल्के मॉडलों के लगभग समान है, जैसे कि मोबाइलनेटवी2 (MobileNetV2), जिसने 92.23 प्रतिशत सटीकता प्राप्त की। हालांकि, जरीफनेट इस मामले में अलग है कि वह अनिश्चितता को कैसे संभालता है। मशीन लर्निंग की दुनिया में, एक मॉडल को तब 'कैलिब्रेटेड' (calibrated) माना जाता है जब उसका कॉन्फिडेंस स्कोर उसके सही होने की वास्तविक संभावना से मेल खाता है। उदाहरण के लिए, यदि कोई मॉडल कहता है कि वह एक उत्तर के बारे में 90 प्रतिशत आश्वस्त है, तो उसे 90 प्रतिशत बार सही होना चाहिए। जरीफनेट ने उत्कृष्ट कैलिब्रेशन प्रदर्शित किया, जिसने उस मीट्रिक पर 0.9743 का स्कोर प्राप्त किया जो सही और गलत उत्तरों के बीच रैंकिंग को मापता है। यह स्कोर परीक्षण किए गए अन्य पांच मॉडलों, जिसमें भारी और जटिल वीजीजी16 (VGG16) भी शामिल है, से अधिक था, जो यह दर्शाता है कि जरीफनेट न केवल सही अनुमान लगा रहा है, बल्कि अपने विश्वास स्तरों में भरोसेमंद भी है।

अध्ययन ने यह भी देखा कि आधुनिक डेटा केंद्रों और मानक कंप्यूटरों में पाए जाने वाले हार्डवेयर पर यह सिस्टम कैसा प्रदर्शन करता है। एक उच्च-प्रदर्शन वाले ग्राफिक्स कार्ड पर, जरीफनेट ने एक एकल छवि को 8.11 मिलीसेकंड में संसाधित किया, जो वास्तविक समय के अनुप्रयोगों के लिए पर्याप्त तेज़ है। बिना ग्राफिक्स कार्ड वाले एक मानक कंप्यूटर प्रोसेसर पर, इसे 13.52 मिलीसेकंड लगे। हालांकि यह सरल मॉडलों की तुलना में थोड़ा धीमा है, लेकिन यह बड़े, अनकंप्रेस्ड मॉडलों जैसे कि वीजीजी16 की तुलना में काफी तेज़ है, जिसे उसी प्रोसेसर पर 18.37 मिलीसेकंड लगे। यह सिस्टम बहुत संक्षिप्त भी है, जिसमें केवल लगभग 4.50 मिलियन समायोज्य सेटिंग्स (adjustable settings), जिन्हें पैरामीटर्स कहा जाता है, शामिल हैं। इस छोटे आकार का अर्थ है कि इसे स्टोर करने के लिए बहुत कम मेमोरी की आवश्यकता होती है, जो इसे सीमित स्टोरेज स्पेस वाले उपकरणों के लिए आदर्श बनाता है।

अपनी सफलता के बावजूद, शोध उन विशिष्ट क्षेत्रों को रेखांकित करता है जहाँ यह सिस्टम अभी भी चुनौतियों का सामना करता है। अध्ययन में पाया गया कि जरीफनेट, परीक्षण किए गए सभी अन्य मॉडलों की तरह, जानवरों की उन छवियों के साथ सबसे अधिक संघर्ष करता है जो एक-दूसरे के बहुत समान दिखते हैं, जैसे कि बिल्ली और कुत्ते। सिस्टम ने बिल्लियों की पहचान केवल 81.7 प्रतिशत बार की और कुत्तों की 88.4 प्रतिशत बार, जो हवाई जहाज या ट्रकों जैसी विशिष्ट वस्तुओं के प्रदर्शन की तुलना में कम है। इससे पता चलता है कि कठिनाई सिस्टम की वास्तुकला (architecture) में नहीं, बल्कि दृश्य डेटा की अंतर्निहित समानता में है, जो एक ऐसी समस्या है जो वर्तमान के सभी कंप्यूटर विजन मॉडलों को प्रभावित करती है। शोधकर्ता नोट करते हैं कि हालांकि जरीफनेट अत्यधिक कुशल है, लेकिन यह सबसे तेज़ उपलब्ध मॉडल नहीं है; सरल प्रणालियाँ जैसे कि मोबाइलनेटवी1 (MobileNetV1) तेज़ हैं और कम मेमोरी का उपयोग करती हैं, लेकिन वे उस सटीकता और विश्वसनीयता का त्याग करती हैं जो जरीफनेट प्रदान करता है।

निष्कर्ष बताते हैं कि एक सुव्यवस्थित संरचना को एक ऐसे तंत्र के साथ जोड़ना जो सिस्टम को महत्वपूर्ण विशेषताओं पर ध्यान केंद्रित करने में मदद करता है, एज कंप्यूटिंग के लिए एक शक्तिशाली उपकरण बनाता है। विभिन्न विजुअल चैनल्स के महत्व को पुन: कैलिब्रेट करने की विधि को एक ऐसी तकनीक के साथ एकीकृत करके जो सिस्टम को विशिष्ट पैटर्न पर अत्यधिक निर्भर होने से रोकती है, जरीफनेट उस स्तर का प्रदर्शन प्राप्त करता है जो पहले इतने छोटे पैकेज में प्राप्त करना कठिन था। अध्ययन का निष्कर्ष है कि यह दृष्टिकोण संसाधन-बाधित उपकरणों पर विश्वसनीय, उच्च-प्रदर्शन वाले विजन सिस्टम तैनात करने के लिए एक व्यवहार्य मार्ग प्रदान करता है, बशर्ते कि सबसे सरल मॉडलों की तुलना में प्रसंस्करण समय में मामूली वृद्धि स्वीकार्य हो। भविष्य के कार्यों में इस डिज़ाइन का बहुत बड़े और अधिक जटिल छवियों के सेट पर परीक्षण करना और यह पता लगाना शामिल होगा कि इसका उपयोग सरल वर्गीकरण से परे कार्यों, जैसे कि दृश्य में वस्तुओं का पता लगाने या वातावरण का मानचित्रण करने के लिए कैसे किया जा सकता है।