Design and Evaluation of a Lightweight Real-Time Facial Expression Recognition System: A PyTorch Mini-Xception Implementation Trained on FERPlus.
यह शोध पत्र एक कस्टम PyTorch "Mini-Xception" मॉडल का उपयोग करके एक हल्का, वास्तविक समय वाला चेहरे के भाव पहचान प्रणाली प्रस्तुत करता है जिसे वर्गमूल व्युत्क्रम आवृत्ति भारण (square root inverse frequency weighting) के साथ FERPlus डेटासेट पर प्रशिक्षित किया गया है, जो बिना किसी महत्वपूर्ण GPU संसाधनों की आवश्यकता के Apple M1 Pro पर 75.40% संतुलित परीक्षण सटीकता और 30 FPS प्राप्त 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
एक ऐसे कंप्यूटर की कल्पना करें जो किसी व्यक्ति के चेहरे को देख सके और समझ सके कि वह क्या महसूस कर रहा है। यह 'फेशियल एक्सप्रेशन रिकग्निशन' (चेहरे के भावों को पहचानने) का लक्ष्य है, जो विज्ञान का एक ऐसा क्षेत्र है जो हमारे मांसपेशियों के सूक्ष्म आंदोलनों को खुशी, उदासी या क्रोध जैसी विशिष्ट भावनाओं में अनुवाद करने का प्रयास करता है। दशकों से, शोधकर्ताओं ने इसे करने के लिए जटिल डिजिटल मस्तिष्क बनाए हैं, लेकिन उन्हें चलाने के लिए अक्सर विशाल, महंगे कंप्यूटरों की आवश्यकता होती है। ये भारी सिस्टम तब काम करने में संघर्ष करते हैं जब उन्हें वास्तविक समय (रियल टाइम) में काम करने के लिए कहा जाता है, जैसे कि जब वेबकैम से कोई वीडियो फीड लाइव स्ट्रीम हो रहा हो। चुनौती एक ऐसा सिस्टम बनाने की थी जो इन भावों को सटीक रूप से पहचानने के लिए पर्याप्त स्मार्ट हो, लेकिन इतना हल्का भी हो कि बिना लैग या फ्रीज हुए साधारण, रोजमर्रा के कंप्यूटरों पर चल सके।
देबंजन चक्रवर्ती नामक एक शोधकर्ता ने इस समस्या को हल करने के लिए विशेष रूप से इस कार्य के लिए एक नया, सुव्यवस्थित डिजिटल मस्तिष्क डिजाइन करके इस समस्या का समाधान किया। इस क्षेत्र में प्रचलित विशाल, ऊर्जा-खपत वाले मॉडलों के बजाय, चक्रवर्ती ने 'मिनी-एक्ससेप्शन' (Mini-Xception) नामक एक छोटा, कुशल आर्किटेक्चर बनाया। इस मॉडल को चेहरों के एक बड़े संग्रह पर प्रशिक्षित किया गया था जिसे 'FERPlus डेटासेट' के रूप में जाना जाता है, जिसमें सात अलग-अलग भावनाओं को दर्शाने वाले हजारों चित्र शामिल हैं। हालांकि, इस डेटासेट ने एक कठिन बाधा पेश की: यह अत्यधिक असंतुलित था। इसमें खुश या तटस्थ दिखने वाले लोगों के हजारों चित्र थे, लेकिन घृणा या भय जैसे भाव दिखाने वाले बहुत कम चित्र थे। यदि कोई कंप्यूटर ऐसे असंतुलित संग्रह से सीखता है, तो वह दुर्लभ भावनाओं को पूरी तरह से अनदेखा कर देता है, और ज्यादातर समय सही होने के लिए लगभग हर चीज़ को "खुश" या "तटस्थ" बताने लगता है।
इसे हल करने के लिए, शोधकर्ता ने कंप्यूटर को दुर्लभ भावनाओं पर ध्यान देने के लिए सिखाने के विभिन्न तरीकों का परीक्षण किया। उन्होंने असंतुलन को अनदेखा करने की कोशिश की, उन्होंने दुर्लभ भावनाओं को अधिकतम महत्व देने की कोशिश की, और उन्होंने एक मध्यम मार्ग अपनाया जिसने उन्हें मध्यम बढ़ावा दिया। परिणामों ने दिखाया कि मध्यम मार्ग सबसे अच्छा काम करता है। दुर्लभ भावनाओं को पर्याप्त महत्व देने के लिए प्रशिक्षण प्रक्रिया को समायोजित करने से, सिस्टम ने सभी सात भावनाओं को उच्च स्तर के संतुलन के साथ पहचानना सीख लिया। अंतिम मॉडल अविश्वसनीय रूप से छोटा था, जिसमें 57,000 से भी कम समायोज्य सेटिंग्स थीं, जो उन मानक प्रणालियों की तुलना में बहुत छोटा है जिनमें अक्सर लाखों सेटिंग्स होती हैं। इस छोटे आकार का अर्थ था कि पूरे मॉडल को एक मेगाबाइट से भी कम स्टोरेज स्पेस की आवश्यकता थी, जिससे इसे मानक उपकरणों पर ले जाना और चलाना आसान हो गया।
हालाँकि, असली परीक्षा यह थी कि क्या यह छोटा सिस्टम लाइव वीडियो स्ट्रीम के साथ तालमेल बिठा सकता है। शोधकर्ता ने वेबकैम का उपयोग करके वास्तविक समय में चेहरे का पता लगाने और फिर तुरंत अभिव्यक्ति को वर्गीकृत करने के लिए एक सिस्टम स्थापित किया। उन्होंने इसका परीक्षण एप्पल एम1 प्रो (Apple M1 Pro) कंप्यूटर पर किया, जो एक सामान्य उच्च-प्रदर्शन वाला लैपटॉप है। उन्होंने पाया कि सिस्टम लगभग 30 फ्रेम प्रति सेकंड की स्थिर दर से वीडियो को प्रोसेस कर सकता है, जो मानवीय आंखों के लिए निरंतर गति के रूप में देखने के लिए पर्याप्त सहज है। चेहरे को पहचानने से लेकर भावना का नाम देने तक की पूरी प्रक्रिया में छह मिलीसेकंड से भी कम समय लगा। आश्चर्यजनक रूप से, शोधकर्ता ने पाया कि वीडियो के एकल फ्रेम को एक-एक करके संभालने के इस विशिष्ट कार्य के लिए, कंप्यूटर का मुख्य प्रोसेसर (Main Processor) इसके विशेष ग्राफिक्स चिप (Graphics Chip) की तुलना में वास्तव में अधिक तेज़ था। ऐसा इसलिए था क्योंकि ग्राफिक्स चिप, हालांकि बड़े डेटा बैचों के लिए शक्तिशाली है, प्रत्येक व्यक्तिगत फ्रेम के लिए शुरू होने में थोड़ा विलंब (Delay) लेती है, जबकि मुख्य प्रोसेसर छोटे, त्वरित कार्यों को अधिक कुशलता से संभालता है।
इस सिस्टम में चेहरे का पता लगाने के लिए एक सुरक्षा जाल (Safety Net) भी शामिल था। यह मुख्य रूप से वीडियो में चेहरे खोजने के लिए एक आधुनिक, तेज़ विधि का उपयोग करता है, लेकिन यदि वह विधि विफल हो जाती है, तो यह सुनिश्चित करने के लिए कि वीडियो फीड कभी न रुके, यह तुरंत एक पुरानी, विश्वसनीय तकनीक पर स्विच कर सकता है। आउटपुट को स्वाभाविक दिखाने के लिए, सिस्टम ने परिणामों को सुचारू (Smooth) बनाया, ताकि इमोशन लेबल फ्रेम-दर-फ्रेम बेतरतीब ढंग से न बदले बल्कि धीरे-धीरे बदले, ठीक वैसे ही जैसे मानवीय भाव बदलते हैं। अध्ययन ने पुष्टि की कि एक हल्का, सावधानीपूर्वक ट्यून किया गया सिस्टम वास्तव में बिना किसी सुपरकंप्यूटर की आवश्यकता के वास्तविक समय में चेहरे के भावों को पहचान सकता है।
इन सफलताओं के बावजूद, शोधकर्ता इस बात को लेकर सावधान रहे कि यह सिस्टम क्या नहीं कर सकता। कंप्यूटर केवल चेहरे के भौतिक आकार को देखता है; यह व्यक्ति की वास्तविक आंतरिक भावनाओं को नहीं जानता। एक मुस्कान वास्तविक खुशी हो सकती है, या यह एक शिष्ट मुखौटा हो सकता है, और सिस्टम अंतर नहीं कर सकता। इसके अलावा, सिस्टम को कम-रिज़ॉल्यूशन वाली छवियों पर प्रशिक्षित किया गया है और यह चिकित्सा स्थितियों का निदान नहीं कर सकता या संवेदनशील स्थितियों में मानवीय निर्णय की जगह नहीं ले सकता। यह दृश्य संकेतों को पहचानने का एक उपकरण है, मानव आत्मा की खिड़की नहीं। यह कार्य इस बात का प्रमाण है कि सही डिज़ाइन के साथ, शक्तिशाली आर्टिफिशियल इंटेलिजेंस को लैपटॉप में समाने के लिए छोटा किया जा सकता है, जो भारी हार्डवेयर की आवश्यकता के बिना रोजमर्रा की तकनीक में वास्तविक समय की भावनात्मक जागरूकता के द्वार खोलता 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।