💻 computer science

A Weighted Sparse Matrix Regression Model for Face Recognition

यह शोध पत्र एक वेटेड स्पार्स मैट्रिक्स रिग्रेशन (WSMR) मॉडल प्रस्तावित करता है जो चेहरे की पहचान में निरंतर अवरोध (occlusion) को प्रभावी ढंग से संभालने के लिए संरचनात्मक और दूरी संबंधी जानकारी को एकीकृत करता है, अनुकूलन के लिए अल्टरनेटिंग डायरेक्शन मेथड ऑफ मल्टीप्लायर्स (ADMM) का उपयोग करता है और सार्वजनिक डेटाबेस पर प्रयोगों के माध्यम से उत्कृष्ट प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Zijin Yin, Tong Hu

प्रकाशित 2026-09-18

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zijin Yin, Tong Hu

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

कंप्यूटर की दुनिया में, किसी मशीन को मानव चेहरे को पहचानना सिखाना एक ऐसा कार्य है जो हमें सरल लगता है लेकिन एक प्रोग्राम के लिए आश्चर्यजनक रूप से कठिन है। एक कंप्यूटर मुस्कुराता हुआ चेहरा या सिकुड़ी हुई भौहें नहीं देखता; वह प्रकाश और अंधेरे के पिक्सेल का प्रतिनिधित्व करने वाला संख्याओं का एक ग्रिड देखता है। जब एक चेहरा स्पष्ट और अच्छी रोशनी में होता है, तो कंप्यूटर इन पैटर्न को ज्ञात चेहरों के डेटाबेस के साथ उच्च सटीकता के साथ मिला सकता है। हालाँकि, वास्तविक दुनिया शायद ही कभी पूर्ण होती है। चेहरे अक्सर धूप के चश्मे, स्कार्फ या किसी पेड़ की छाया से आंशिक रूप से छिपे होते हैं, और रोशनी तेज दोपहर की धूप से लेकर गहरे अंधेरे तक बदल सकती है। ये व्यवधान डेटा में "शोर" (noise) पैदा करते हैं, जिससे कंप्यूटर का मिलान खोजने का प्रयास भ्रमित हो जाता है। वर्षों से, शोधकर्ता ऐसे सिस्टम बनाने की कोशिश कर रहे हैं जो इन विकर्षणों को अनदेखा कर सकें, और यह देखने के लिए एक गणितीय तरीका खोज रहे हैं कि व्यक्ति की वास्तविक पहचान को उस कचरे से कैसे अलग किया जाए जो उन्हें ढंकता है। लक्ष्य एक ऐसा सिस्टम बनाना है जो विश्वसनीय बना रहे, भले ही छवि क्षतिग्रस्त या अधूरी हो, ठीक वैसे ही जैसे एक इंसान एक बरसात के दिन टोपी और धूप का चश्मा पहने अपने दोस्त को पहचान सकता है।

तियानजिन विश्वविद्यालय और दक्षिणी विज्ञान एवं प्रौद्योगिकी विश्वविद्यालय, चीन के शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या—अस्पष्ट चेहरों—को हल करने के लिए एक नया तरीका प्रस्तावित किया है। वे अपने दृष्टिकोण को 'वेटेड स्पार्स मैट्रिक्स रिग्रेशन मॉडल' (weighted sparse matrix regression model) कहते हैं। यह समझने के लिए कि यह कैसे काम करता है, एक फटी हुई तस्वीर को फिर से बनाने की कोशिश करने की कल्पना करें। यदि आप केवल अन्य सभी तस्वीरों के औसत के आधार पर लुप्त हिस्सों को भरने की कोशिश करते हैं, तो आपको एक धुंधला सा परिणाम मिल सकता है। इसके बजाय, यह नया तरीका क्षति के विशिष्ट पैटर्न को देखता है। शोधकर्ताओं ने महसूस किया कि जब कोई चेहरा किसी वस्तु द्वारा बाधित होता है, तो त्रुटि—वास्तविक चेहरे और कंप्यूटर के अनुमान के बीच का अंतर—एक बड़े, निरंतर ब्लॉक के रूप में बनती है। पुराने तरीकों ने इस त्रुटि को यादृच्छिक, बिखरी हुई गलतियों के संग्रह के रूप में मानने की कोशिश की, जो छोटे धब्बों वाले शोर के लिए तो अच्छा काम करता था लेकिन बड़े क्षेत्रों के छिप जाने पर विफल रहा। नया मॉडल त्रुटि को एक संरचित ब्लॉक के रूप में मानता है, और यह देखता है कि पिक्सेल एक पंक्ति से दूसरी पंक्ति में कैसे बदलते हैं। यह मान लेता है कि यदि एक बड़ा क्षेत्र बाधित है, तो पिक्सेल की पंक्तियों के बीच परिवर्तन बहुत समान होंगे, जिससे एक अनुमानित पैटर्न बनता है जिसे कंप्यूटर अनदेखा करना सीख सकता है।

शोधकर्ताओं ने प्रशिक्षण डेटा के विभिन्न समूहों के महत्व को तौलने (weighing) का एक तरीका भी पेश किया। उनके सिस्टम में, कंप्यूटर प्रत्येक व्यक्ति के कई उदाहरणों से सीखता है। जब यह एक नए, छिपे हुए चेहरे की पहचान करने की कोशिश करता है, तो यह गणना करता है कि वह चेहरे के उन ज्ञात समूहों के कितने करीब है जिनका उसने अध्ययन किया है। यदि ज्ञात चेहरों का एक समूह छिपे हुए चेहरे के बहुत समान है, तो मॉडल उस समूह को उच्च भार (weight) देता है, जिससे उसके सही होने की संभावना बढ़ जाती है। यदि कोई समूह बहुत भिन्न है, तो मॉडल उसे कम भार देता है, जो प्रभावी रूप से कंप्यूटर को उस पर कम ध्यान देने के लिए कहता है। यह वेटिंग सिस्टम कंप्यूटर को उन चेहरों से धोखा खाने से बचने में मदद करता है जो कुछ हद तक समान दिखते हैं लेकिन सही मिलान नहीं होते। इसके अलावा, मॉडल कंप्यूटर को एक सहयोगात्मक दृष्टिकोण अपनाने के लिए प्रोत्साहित करता है, जहाँ वह यह देखता है कि एक ही व्यक्ति के विभिन्न उदाहरण एक पूर्ण चित्र बनाने के लिए मिलकर कैसे काम करते हैं, न कि केवल एक एकल छवि पर निर्भर रहते हैं।

अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं ने चेहरे की छवियों के चार विभिन्न सार्वजनिक डेटाबेस का उपयोग करके अपने मॉडल को कई मौजूदा तरीकों के विरुद्ध चलाया। इन डेटाबेस में अत्यधिक प्रकाश स्थितियों में ली गई तस्वीरें, काले या सफेद ब्लॉकों से ढके चेहरे, और धूप के चश्मे और स्कार्फ जैसे वास्तविक भेष पहने हुए चेहरे शामिल थे। परीक्षणों के एक सेट में, उन्होंने एक्सटेंडेड येल बी (Extended YaleB) डेटाबेस के चित्रों का उपयोग किया, जहाँ चेहरों की फोटोग्राफी बहुत कठोर छाया के तहत की गई थी। जब रोशनी बहुत गंभीर थी, तो पुराने तरीके संघर्ष कर रहे थे, जिनमें से कुछ की पहचान दर 40 प्रतिशत से नीचे गिर गई। हालाँकि, नए मॉडल ने 90 प्रतिशत से अधिक की पहचान दर बनाए रखी, जो अन्य तरीकों से काफी बेहतर प्रदर्शन करती है। एक अन्य प्रयोग में, उन्होंने चेहरे के कुछ हिस्सों को रंग के ठोस ब्लॉकों या यहाँ तक कि अन्य छवियों से ढक दिया, जो भारी अवरोध (occlusion) का अनुकरण करता है। जैसे ही चेहरे के लगभग दो-तिहाई हिस्से को ढकने के लिए अवरुद्ध क्षेत्र का आकार बढ़ा, नया मॉडल लगभग 77 प्रतिशत बार व्यक्ति की सही पहचान करने में सक्षम रहा, जबकि अन्य तरीके बहुत पीछे रह गए।

टीम ने अपने दृष्टिकोण की तुलना आधुनिक डीप लर्निंग सिस्टम से भी की, जो शक्तिशाली कंप्यूटर प्रोग्राम हैं जो डेटा की विशाल मात्रा को प्रोसेस करके सीखते हैं। जबकि ये डीप लर्निंग मॉडल उत्कृष्ट होते हैं जब उन्होंने अपने प्रशिक्षण के दौरान समान उदाहरण देखे होते हैं, वे नए प्रकार के अवरोधों का सामना करने पर संघर्ष करते हैं जिनका उन्होंने पहले अनुभव नहीं किया था। इसके विपरीत, नया रिग्रेशन मॉडल केवल पैटर्न को याद करने के बजाय त्रुटियों की संरचना के बारे में गणितीय नियमों पर निर्भर करता है। इसने इसे नए, जटिल भेषों को अधिक प्रभावी ढंग से संभालने की अनुमति दी, भले ही प्रशिक्षण छवियों की संख्या सीमित हो। शोधकर्ताओं ने पाया कि उनका तरीका विशेष रूप से तब मजबूत था जब अवरोध निरंतर (continuous) था, जैसे कि चेहरे के निचले आधे हिस्से को ढकने वाला एक बड़ा स्कार्फ, एक ऐसी स्थिति जहाँ कई अन्य सिस्टम विफल हो गए।

अध्ययन यह निष्कर्ष निकालता है कि त्रुटि की संरचना पर ध्यान केंद्रित करके और सबसे प्रासंगिक प्रशिक्षण डेटा को प्राथमिकता देने के लिए एक वेटिंग सिस्टम का उपयोग करके, एक ऐसा चेहरा पहचान प्रणाली बनाना संभव है जो वास्तविक दुनिया के हस्तक्षेप के प्रति कहीं अधिक मजबूत हो। शोधकर्ताओं ने प्रदर्शित किया कि उनके मॉडल को एक विशिष्ट गणितीय एल्गोरिदम का उपयोग करके कुशलतापूर्वक हल किया जा सकता है, जिससे यह छवियों को तेजी से प्रोसेस कर सकता है। हालांकि वे स्वीकार करते हैं कि उनका कार्य एक अंतिम समाधान के बजाय एक कदम आगे की ओर है, परिणाम बताते हैं कि यह दृष्टिकोण उन स्थितियों के लिए एक विश्वसनीय विकल्प प्रदान करता है जहाँ चेहरे भारी रूप से बाधित होते हैं या रोशनी खराब होती है। निष्कर्ष बताते हैं कि लुप्त जानकारी की ज्यामिति को समझना उतना ही महत्वपूर्ण है जितना कि शेष जानकारी, जो हमें तब भी पहचानने के लिए भविष्य के सिस्टमों के लिए एक स्पष्ट मार्ग प्रदान करता है जब हम आंशिक रूप से छिपे होते हैं।

तकनीकी सारांश: चेहरे की पहचान के लिए एक भारित विरल मैट्रिक्स प्रतिगमन मॉडल (A Weighted Sparse Matrix Regression Model for Face Recognition)

समस्या विवरण (Problem Statement)
चेहरे की पहचान इमेज प्रोसेसिंग में एक महत्वपूर्ण चुनौती बनी हुई है, विशेष रूप से निरंतर अवरोधों (जैसे, धूप का चश्मा, स्कार्फ, या बड़े ब्लॉक अवरोध) और महत्वपूर्ण प्रकाश परिवर्तन (illumination variations) के मामले में। जबकि लीनियर रिग्रेशन क्लासिफिकेशन (LRC) और स्पार्स रिप्रेजेंटेशन-बेस्ड क्लासिफिकेशन (SRC) जैसे प्रतिगमन-आधारित मॉडल व्यापक रूप से अपनाए गए हैं, वे अक्सर एक-आयामी पिक्सेल-स्तरीय शोर धारणाओं पर निर्भर करते हैं। ये मॉडल आउटलेर्स के प्रति संवेदनशील होते हैं और अवरोधों के कारण उत्पन्न होने वाली त्रुटि छवियों (error images) में निहित संरचनात्मक जानकारी को पकड़ने में विफल रहते हैं। इसके अलावा, न्यूक्लियर नॉर्म (जैसे, NMR) पर आधारित मौजूदा मैट्रिक्स प्रतिगमन मॉडल त्रुटि छवियों के लिए लो-रैंक संरचना का अनुमान लगाते हैं। हालांकि, लेखकों का तर्क है कि जब अवरुद्ध क्षेत्र बड़े होते हैं, तो न्यूक्लियर नॉर्म बड़े सिंगुलर मानों (singular values) को अत्यधिक दंडित कर सकता है, जिससे उप-इष्टतम समाधान प्राप्त होते हैं और इष्टतम लो-रैंक रिकवरी के लिए आवश्यक इनकोहेरेंस धारणाओं को पूरा करने में विफल रहता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र एक वेटेड स्पार्स मैट्रिक्स रिग्रेशन (WSMR) मॉडल प्रस्तावित करता है जिसे बड़े पैमाने पर संरचनात्मक शोर और निरंतर अवरोधों को संबोधित करने के लिए डिज़ाइन किया गया है। कार्यप्रणाली तीन प्राथमिक प्रेरणाओं पर आधारित है:

रो-डिफरेंस स्पार्सिटी (Row-Difference Sparsity): न्यूक्लियर नॉर्म पर निर्भर रहने के बजाय, मॉडल इस अवलोकन का लाभ उठाता है कि एक त्रुटि छवि में आस-पास के शोर वाले पिक्सेल मान समान होते हैं। फलस्वरूप, त्रुटि छवि की आस-पास की पंक्तियों (rows) के बीच का अंतर विरल (sparse) होता है।
दूरी-आधारित वेटिंग (Distance-Based Weighting): सही और गलत वर्गों के बीच अंतर करने के लिए, मॉडल दूरी की जानकारी को शामिल करता है। यह प्रत्येक वर्ग के सबस्पेस और टेस्ट सैंपल के बीच की दूरी की गणना करता है (जैसा कि LRC में किया जाता है) और प्रत्येक वर्ग के गुणांक वेक्टर (coefficient vectors) को भार (weights) आवंटित करता है। बड़े दूरी वाले वर्गों (जो संभवतः गलत हैं) को अधिक दंडित किया जाता है।
इंट्रा-क्लास कोलाबोरेशन (Intra-Class Collaboration): एक ही वर्ग के प्रशिक्षण नमूनों के बीच सहयोग का लाभ उठाने के लिए, मॉडल एक ही वर्ग के गुणांकों के निरंतर अंतर पर एक वर्गाकार प्रतिबंध (squared constraint) लगाता है, जिससे ये गुणांक मान में एक-दूसरे के करीब रहने के लिए प्रोत्साहित होते हैं।

गणितीय सूत्रीकरण (Mathematical Formulation)
WSMR मॉडल को $y = Bx + \text{vec}(E)$ बाधा के अधीन निम्नलिखित ऑब्जेक्टिव फंक्शन को न्यूनतम करने के रूप में तैयार किया गया है:
$\min_{x,E} \sum_{i=1}^{c} \|P_i H_i x\|_2^2 + \lambda_1 \|C \text{vec}(E)\|_1 + \lambda_2 \sum_{i=1}^{c} \omega_i \|H_i x\|_2^2$
जहाँ:

$y$ एक वेक्टरकृत टेस्ट सैंपल है, $B$ ट्रेनिंग डेटा मैट्रिक्स है, और $x$ गुणांक वेक्टर है।
$E$ त्रुटि छवि मैट्रिक्स है।
$\|C \text{vec}(E)\|_1$ वाला पद त्रुटि छवि की आस-पास की पंक्तियों के बीच के अंतर का $L_1$ नॉर्म है, जो इन अंतरों में स्पार्सिटी लागू करता है।
$\omega_i = \exp(\mu d_i)$ $i$ -वें वर्ग के लिए भार है, जहाँ $d_i$ टेस्ट सैंपल और $i$ -वें वर्ग के सबस्पेस के बीच की दूरी है।
$\sum \|P_i H_i x\|_2^2$ वाला पद एक ही वर्ग के भीतर निरंतर गुणांक अंतरों पर वर्गाकार प्रतिबंध लागू करता है।
$\lambda_1$ और $\lambda_2$ हाइपरपैरामीटर हैं।

समाधान एल्गोरिदम (Solution Algorithm)
इस अनुकूलन समस्या को हल करने के लिए, लेखक अल्टरनेटिंग डायरेक्शन मेथड ऑफ मल्टीप्लायर्स (ADMM) का उपयोग करते हैं। $L_1$ नॉर्म टर्म को संभालने के लिए एक सहायक चर (auxiliary variable) पेश करके समस्या को पुनर्गठित किया गया है। एल्गोरिदम प्रिमल और डुअल रेसिडुअल (primal and dual residuals) के अभिसरण मानदंडों (convergence criteria) के पूरा होने तक गुणांक वेक्टर $x$ , सहायक चर $\eta$ , और लैग्रेंज मल्टीप्लायर $q$ को पुनरावृत्ति (iteratively) के माध्यम से अपडेट करता है। शोध पत्र का दावा है कि चूंकि ऑब्जेक्टिव फंक्शन उत्तल (convex) है, इसलिए दो-ब्लॉक ADMM एल्गोरिदम अभिसरण (convergence) की गारंटी देता है।

प्रमुख योगदान (Key Contributions)

नया प्रतिगमन मॉडल: लेखक WSMR प्रस्तावित करते हैं, जो मौजूदा मॉडलों से भिन्न है क्योंकि यह स्वयं छवि या उसके सिंगुलर मानों के बजाय त्रुटि छवि की आस-पास की पंक्तियों के बीच के अंतर पर स्पारर्सिटी प्रतिबंध लगाता है। यह दृष्टिकोण बड़े पैमाने के संरचनात्मक शोर के 2D स्ट्रक्चर को वर्णित करने के लिए अधिक प्रभावी होने का दावा किया गया है।
वेटेड और कोलाबोरेटिव कंस्ट्रेंट्स: मॉडल गलत वर्गों को दंडित करने के लिए दूरी-आधारित वेटिंग को एकीकृत करता है और सही वर्ग के प्रशिक्षण नमूनों के बीच सहयोग को बढ़ाने के लिए इंट्रा-क्लास गुणांक अंतरों पर एक वर्गाकार प्रतिबंध पेश करता है।
कुशल सॉल्वर: WSMR मॉडल को विशेष रूप से हल करने के लिए एक ADMM-आधारित एल्गोरिदम डिज़ाइन किया गया है, जो कम्प्यूटेशनल व्यवहार्यता सुनिश्चित करता है।

प्रायोगिक परिणाम (Experimental Results)
लेखकों ने चार सार्वजनिक रूप से उपलब्ध डेटाबेस: Extended YaleB, CMU PIE, AR, और Yale A पर WSMR का मूल्यांकन किया। मॉडल का परीक्षण विभिन्न स्थितियों में किया गया:

प्रकाश परिवर्तन (Illumination Variations): Extended YaleB डेटाबेस पर, WSFR ने गंभीर प्रकाश स्थितियों के तहत सबसेट 5 पर 90.13% और सबसेट 6 पर 91.01% की पहचान दर हासिल की, जो दूसरे सर्वश्रेष्ठ मॉडल (LDMR) से क्रमशः 24% और 30% से अधिक थी। CMU PIE डेटाबेस पर, WSMR ने सबसेट 5 पर 95.59% और सबसेट 6 पर 96.32% की पहचान दर प्राप्त की, जो लगातार अन्य मॉडलों से बेहतर रही।
ब्लॉक अवरोध (Block Occlusions): ब्लैक ब्लॉक, व्हाइट ब्लॉक, फेस इमेज और बैबून इमेज के साथ 64% तक के अवरोध अनुपात पर प्रयोगों ने दिखाया कि WSMR ने अन्य प्रतिगमन मॉडलों (LRC, SRC, CRC, GSC, NMR वेरिएंट) और डीप लर्निंग मॉडलों (ResNet, SwinT, MobileViT, ConvNeXt) को लगातार पछाड़ दिया। उदाहरण के लिए, 64% व्हाइट ब्लॉक अवरोध पर, WSMR ने 77.63% सटीकता बनाए रखी, जो प्रतिस्पर्धियों से काफी अधिक है।
वास्तविक वेशभूषा (Real Disguises): AR डेटाबेस (धूप का चश्मा और स्कार्फ) और Yale A डेटाबेस पर, WSMR ने उच्चतम पहचान दर प्राप्त की, विशेष रूप से उन परिदृश्यों में जहां सीमित प्रशिक्षण नमूनों के कारण न्यूक्लियर नॉर्म-आधारित मॉडल संघर्ष करते हैं।

महत्व और दावे (Significance and Claims)
शोध पत्र का दावा है कि WSMR, विशेष रूप से बड़े पैमाने के निरंतर अवरोधों और सीमित प्रशिक्षण डेटा वाले परिदृश्यों में, मौजूदा प्रतिगमन-आधारित और डीप लर्निंग दृष्टिकोणों की तुलना में बेहतर मजबूती और दक्षता प्रदान करता है।

लेखक तर्क देते हैं कि जबकि डीप लर्निंग मॉडल विशाल डेटासेट के साथ अच्छा प्रदर्शन करते हैं, वे प्रशिक्षण के दौरान न देखे गए अवरोधों के प्रति संवेदनशील होते हैं। इसके विपरीत, WSMR की गणितीय व्याख्यात्मकता और संरचनात्मक बाधाएं इसे नए जटिल शोर को प्रभावी ढंग से संभालने की अनुमति देती हैं।
मॉडल उन पिछले प्रतिगमन मॉडलों से खुद को अलग करता है जो समानता संबंधों या स्थानीय संरचनात्मक जानकारी जैसे पूर्व सूचना (prior information) का उपयोग किए बिना प्रस्तावित किए गए थे। WS-MR स्पष्ट रूप से गुणांकों को भार देने के लिए दूरी की जानकारी को पूर्व ज्ञान के रूप में शामिल करता है और संरचनात्मक जानकारी को कैप्चर करने के लिए पंक्ति अंतरों की विरलता (sparsity) का उपयोग करता है।
लेखक निष्कर्ष निकालते हैं कि WSMR उच्च पहचान दर बनाए रखता है भले ही प्रकाश परिवर्तन और अवरोध क्षेत्र महत्वपूर्ण हों, जो न्यूक्लियर नॉर्म-आधारित मॉडलों की एक प्रमुख सीमा को संबोधित करता है।

इसी तरह के और पेपर