MS-RTDETR: Leveraging Multi-Scale Feature Enhancement and Query Refinement for Small Object Detection

कंप्यूटर विजन की दुनिया में, मशीनें लगातार दुनिया को देखने के लिए खुद को प्रशिक्षित कर रही हैं जैसे कि इंसान देखते हैं, जिसमें वे पिक्सेल के समुद्र के भीतर कारों, लोगों और जानवरों की पहचान करती हैं। वर्षों तक, कंप्यूटर को इन वस्तुओं को पहचानने के लिए सिखाने का सबसे विश्वसनीय तरीका एक दो-चरणीय प्रक्रिया में शामिल था: पहले, मशीन आकार और बनावट का एक मानसिक मानचित्र बनाने के लिए विभिन्न ज़ूम स्तरों पर एक छवि को स्कैन करती थी, और दूसरा, यह अनुमान लगाने के लिए नियमों के एक अलग सेट का उपयोग करती थी कि वस्तुएं कहाँ छिपी हो सकती हैं। यह दृष्टिकोण बड़े, स्पष्ट विषयों के लिए अच्छा काम करता था, लेकिन जब लक्ष्य बहुत छोटा होता था, तो यह संघर्ष करता था। भीड़ में दूर खड़ा एक व्यक्ति, या आकाश में ऊँचा उड़ता एक ड्रोन, केवल कुछ ही पिक्सेल घेरता है। जब एक कंप्यूटर इसकी समग्र संरचना को समझने के लिए छवि को सिकोड़ने (shrink) की कोशिश करता है, तो ये धुंधले, सूक्ष्म विवरण अक्सर बैकग्राउंड शोर में गायब हो जाते हैं, जिससे मशीन उन चीजों को खोजने में अंधा हो जाती है जिन्हें उसे ढूंढने की आवश्यकता होती है।

शोधकर्ताओं ने इसे केवल कंप्यूटर को उच्च-रिज़ॉल्यूशन वाली छवियां खिलाकर या विश्लेषण के अधिक स्तर जोड़कर हल करने की लंबे समय से कोशिश की है, लेकिन ये सुधार अक्सर सिस्टम को वास्तविक समय के उपयोग के लिए बहुत धीमा कर देते हैं, जैसे कि स्वयं-चालित कारों या सुरक्षा ड्रोन में। मुख्य कठिनाई एक बेमेल (mismatch) में निहित है: सिस्टम का वह हिस्सा जो छवि के विवरणों का विश्लेषण करता है, अक्सर उस हिस्से से अलग "भाषा" बोलता है जो यह तय करता है कि कहाँ देखना है। एक हिस्सा व्यापक आकारों पर ध्यान केंद्रित कर सकता है जबकि दूसरा सूक्ष्म बनावटों की तलाश करता है, और बिना किसी समन्वय के, सिस्टम छोटे लक्ष्यों को चूक जाता है। शेडोंग नॉर्मल यूनिवर्सिटी और सहयोगी संस्थानों के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने के लिए एक नया तरीका प्रस्तावित किया है, एक ऐसा सिस्टम बनाया है जो सूक्ष्म वस्तुओं की खोज को छवि के विवरणों और खोज रणनीति के बीच एक एकल, एकीकृत संवाद के रूप में मानता है।

टीम ने, जिसका नेतृत्व निंगशियांग सन और सहयोगियों ने किया, MS-RTDETR नामक एक नई पहचान विधि पेश की। छवि विश्लेषण और वस्तु खोज को अलग-अलग कार्यों के रूप में मानने के बजाय, उनका सिस्टम उन्हें एक साथ जोड़ता है ताकि वे लगातार एक-दूसरे को अपडेट करते रहें। कल्पना कीजिए कि कंप्यूटर एक जासूस है जो एक भीड़ भरे दृश्य को देख रहा है। पुराने सिस्टम में, जासूस पहले पूरे कमरे को देखकर सामान्य विचार प्राप्त कर सकता था, फिर विशिष्ट स्थानों पर ज़ूम करने की कोशिश कर सकता था, और इस प्रक्रिया में अक्सर सूक्ष्म विवरणों का ट्रैक खो देता था। इस नए दृष्टिकोण में, जासूस कमरे का एक मानसिक मानचित्र रखता है और साथ ही सुरागों को स्कैन करता है, जो देखते समय लगातार अपने फोकस को समायोजित करता है। यदि जासूस एक धुंधली आकृति देखता है जो एक व्यक्ति हो सकती है, तो सिस्टम तुरंत उस विशिष्ट स्थान के उच्च-रिज़ॉल्यूशन विवरणों की जांच करता है ताकि पुष्टि की जा सके, न कि निष्कर्ष को सत्यापित करने के लिए एक अलग, धीमी प्रक्रिया की प्रतीक्षा करता है।

इस नए सिस्टम का केंद्र एक ऐसी प्रणाली (mechanism) है जो कंप्यूटर को यह निर्णय लेने की अनुमति देती है कि प्रत्येक संभावित वस्तु के लिए विवरण का कौन सा स्तर सबसे उपयोगी है। सिस्टम प्रत्येक वस्तु जिसे वह ट्रैक कर रहा है, उसके आकार और विश्वसनीयता के बारे में एक "विश्वास" (belief) बनाए रखता है। यदि सिस्टम इस बारे में अनिश्चित है कि एक छोटा सा धब्बा एक व्यक्ति है या केवल मिट्टी का निशान, तो यह अपने विकल्प खुले रखता है और छवि को कई कोणों और ज़ूम स्तरों से देखता है। जैसे-जैसे यह अधिक साक्ष्य एकत्र करता है, यह विश्वास अधिक केंद्रित होता जाता है, जिससे सिस्टम सही विवरणों पर ध्यान केंद्रित कर पाता है। यह प्रक्रिया यादृच्छिक नहीं है; यह एक गणितीय सिद्धांत द्वारा निर्देशित है जो यह सुनिश्चित करता है कि सिस्टम केवल तभी उच्च-रिज़ॉल्यूशन विवरणों को खींचता है जब वास्तव में उनकी आवश्यकता होती है, जिससे कंप्यूटर अनावश्यक जानकारी से अभिभूत होने से बच जाता है।

इस कार्य में सबसे महत्वपूर्ण सुधारों में से एक यह है कि सिस्टम वास्तविक दुनिया के "शोर" (noise) को कैसे संभालता है। भीड़भाड़ वाले दृश्यों में, जैसे कि व्यस्त सड़क या जंगल, बैकग्राउंड अक्सर ऐसी बनावटों से भरा होता है जो वस्तुओं की तरह दिखती हैं लेकिन वास्तव में नहीं हैं। नई विधि में एक फ़िल्टर शामिल है जो वास्तविक विवरणों और दोहराव वाले बैकग्राउंड पैटर्न के बीच अंतर करता है। यह एक पत्तेदार पेड़ के स्थिर शोर या ईंट की दीवार को अनदेखा करना सीख जाता है जबकि एक छोटे व्यक्ति या वाहन के अद्वितीय, तीखे किनारों को सुरक्षित रखता है। यह सिस्टम को तेज़ और कुशल रहने की अनुमति देता है, भले ही छवि अव्यवस्थित हो, क्योंकि यह हर एक पिक्सेल का समान तीव्रता के साथ विश्लेषण करने में समय बर्बाद नहीं करता है।

शोधकर्ताओं ने यह सुनिश्चित करने के लिए कि उनका सिस्टम विभिन्न वास्तविक दुनिया के परिदृश्यों में काम करे, चार अलग-अलग प्रकार के इमेज संग्रहों पर अपने सिस्टम का परीक्षण किया। उन्होंने रोजमर्रा की जिंदगी की मानक तस्वीरें, शहरों को नीचे से देखते हुए ड्रोन से ली गई छवियां, चलते वाहनों के फुटेज, और अत्यंत छोटे लोगों को खोजने के लिए डिज़ाइन किए गए एक विशिष्ट डेटासेट का उपयोग किया। पांडुलिपि-निर्माण स्क्रिप्ट के साथ दिए गए संख्यात्मक इंस्टेंशिएशन में, नया सिस्टम इन डेटासेट्स पर पिछले तरीकों की तुलना में उच्च लघु-वस्तु सटीकता (small-object accuracy) दिखाता है। उदाहरण के लिए, स्क्रिप्ट-जनित मानों ने संकेत दिया कि सिस्टम ने मानक मॉडलों की तुलना में TinyPerson डेटासेट पर काफी अधिक लक्ष्यों की पहचान की, जबकि छवियों को वास्तविक समय के अनुप्रयोगों में उपयोग करने के लिए पर्याप्त तेज़ी से संसाधित भी किया। सिस्टम ने स्क्रिप्ट सिमुलेशन में खराब छवि गुणवत्ता के दौरान भी मजबूत मजबूती (robustness) प्रदर्शित की, जैसे कि जब फोटो धुंधली या कंप्रेस्ड थी, जहाँ अन्य सिस्टम विफल हो गए थे। यह ध्यान देना महत्वपूर्ण है कि ये संख्यात्मक मान कच्चे प्रयोगात्मक लॉग के बजाय आपूर्ति किए गए विश्लेषण स्क्रिप्ट से उत्पन्न होते हैं, और लेखक कहते हैं कि मात्रात्मक निष्कर्षों को अंतिम जर्नल सबमिशन से पहले मापे गए रन के साथ पुष्ट किया जाना चाहिए।

महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि उनकी विधि ने केवल बड़ी वस्तुओं की कीमत पर छोटी चीजों को खोजने में सिस्टम को बेहतर नहीं बनाया है। पेपर भविष्यवाणी करता है कि सिस्टम को बड़े ऑब्जेक्ट्स पर "बहुत कम या कोई लाभ नहीं" होना चाहिए, क्योंकि बड़े ऑब्जेक्ट आमतौर पर डाउनसैंपलिंग से बच जाते हैं और मजबूत सिमेंटिक साक्ष्य प्राप्त करते हैं। एक ऐसी विधि जो सभी पैमानों पर समान रूप से सुधार करती है, वह संभवतः बढ़ी हुई क्षमता का लाभ उठा रही है, न कि प्रस्तावित लघु-वस्तु तंत्र का। लेखकों के अनुसार सबसे सम्मोहक परिणाम एक स्केल-सिलेक्टिव गेन (scale-selective gain) है, जो एक मामूली कम्प्यूटेशनल वृद्धि और एक स्थिर पारेटो फ्रंटियर (Pareto frontier) के साथ आता है, न कि सभी ऑब्जेक्ट साइज के लिए एक जेनेरिक बूस्ट। सिस्टम बसों या इमारतों जैसे बड़े ऑब्जेक्ट्स को पहचानने में भी उतना ही प्रभावी रहा, जिससे सिद्ध हुआ कि नए दृष्टिकोण ने मौजूदा क्षमताओं को तोड़े बिना डिटेक्टर की समग्र बुद्धिमत्ता में सुधार किया। टीम ने यह भी प्रदर्शित किया कि सिस्टम छवि में "गहराई" से देखते हुए अपने फोकस को अनुकूलित कर सकता है। खोज की शुरुआत में, सिस्टम व्यापक और कई संभावनाओं के लिए खुला था, लेकिन जैसे-जैसे इसने साक्ष्य एकत्र किए, यह अधिक विशिष्ट हो गया, अपना ध्यान सबसे संभावित उम्मीदवारों पर केंद्रित किया। यह व्यवहार उस तरह का है जैसे एक मानव पर्यवेक्षक एक जटिल दृश्य में किसी विशिष्ट वस्तु को खोजने के लिए अपने फोकस को संकुचित करता है।

अध्ययन ने आत्मविश्वास (confidence) के मुद्दे को भी संबोधित किया। कई डिटेक्शन सिस्टम में, कंप्यूटर यह अनुमान लगा सकता है कि एक वस्तु मौजूद है लेकिन उसके सटीक स्थान के बारे में अनिश्चित हो सकता है, जिससे त्रुटियां होती हैं। नई विधि में इस अनिश्चितता को मापने और उसके अनुसार खोज को समायोजित करने का एक तरीका शामिल है। यदि सिस्टम किसी वस्तु के आकार के बारे में अनिश्चित है, तो यह अधिक सतर्क हो जाता है और अंतिम निर्णय लेने से पहले अधिक साक्ष्य एकत्र करता है। यह अधिक विश्वसनीय परिणाम की ओर ले जाता है, जिससे सिस्टम गलत अलार्म देने या कठिन लक्ष्यों को मिस करने की कम संभावना रखता है। शोधकर्ताओं ने अपने स्क्रिप्ट-आधारित विश्लेषण में यह जांचकर सत्यापित किया कि सिस्टम का आत्मविश्वास वास्तव में उसकी सटीकता से कितनी अच्छी तरह मेल खाता है, और पाया कि नया तरीका पिछले दृष्टिकोणों की तुलना में बेहतर कैलिब्रेटेड था।

हालांकि परिणाम उत्साहजनक हैं, लेखक सावधानीपूर्वक यह नोट करते हैं कि यह सिस्टम हर संभव समस्या के लिए जादुми समाधान नहीं है। यह तब सबसे अच्छा काम करता है जब वस्तुएं एक निश्चित आकार सीमा के भीतर होती हैं और जब छवि की गुणवत्ता पूरी तरह से नष्ट न हुई हो। सिस्टम अभी भी प्रारंभिक छवि की गुणवत्ता और कैमरे की विशिष्ट सेटिंग्स पर निर्भर करता है। हालांकि, फ्रेमवर्क मशीनों के दुनिया को देखने के तरीके में सुधार करने के लिए एक स्पष्ट मार्ग प्रदान करता है, विशेष रूप से उन अनुप्रयोगों के लिए जहां एक छोटे विवरण को चूकना गंभीर परिणाम दे सकता है, जैसे कि स्वायत्त ड्राइविंग या खोज-और-बचाव कार्यों में।

यह कार्य मशीन विजन के बारे में हमारी सोच में एक बदलाव का प्रतिनिधित्व करता है। विशिष्ट समस्याओं को ठीक करने के लिए अधिक जटिल परतें या अलग मॉड्यूल जोड़ने के बजाय, शोधकर्ताओं ने दिखाया कि सिस्टम के विभिन्न हिस्सों को अधिक मजबूती से जोड़ने से बेहतर प्रदर्शन होता है। छवि का विश्लेषण करने वाले सिस्टम के हिस्से और वस्तुओं की खोज करने वाले हिस्से को सीधे एक-दूसरे से बात करने की अनुमति देकर, उन्होंने एक ऐसा डिटेक्टर बनाया जो तेज़ भी है और अधिक सटीक भी। यह दृष्टिकोण सुझाव देता है कि कंप्यूटर विजन का भविष्य केवल सिस्टम को बड़ा या अधिक जटिल बनाने में नहीं, बल्कि उन्हें अधिक सुसंगत और अपने स्वयं के ध्यान को समन्वित करने में बेहतर बनाने में निहित है।

शोधकर्ताओं ने अपने निष्कर्षों को दूसरों के परीक्षण और सत्यापन के लिए उपलब्ध कराया, जिससे परिणामों को पुनरुत्पादित करने के लिए आवश्यक उपकरण और डेटा प्रदान किया गया। यह खुलापन वैज्ञानिक समुदाय के लिए महत्वपूर्ण है, क्योंकि यह अन्य विशेषज्ञों को सुधारों की पुष्टि करने और इस कार्य को आगे बढ़ाने की अनुमति देता है। अध्ययन का निष्कर्ष है कि फीचर एन्हांसमेंट और ऑब्जेक्ट सर्च को एक एकल, युग्मित (coupled) प्रक्रिया के रूप में मानकर, वास्तविक समय में छोटी वस्तुओं का पता लगाने की दीर्घकालिक कठिनाई को दूर करना संभव है। सिस्टम को विशेष हार्डवेयर या विशाल कम्प्यूटेशनल शक्ति की आवश्यकता नहीं है, जो इसे उन अनुप्रयोगों की एक विस्तृत श्रृंखला के लिए एक व्यावहारिक समाधान बनाता है जहाँ छोटी चीजों को स्पष्ट रूप से देखना आवश्यक है।

अंत में, पेपर एक सम्मोहक प्रदर्शन प्रदान करता है कि कैसे एक एकीकृत दृष्टिकोण उस समस्या को हल कर सकता है जो वर्षों से बनी हुई है। गति या सटीकता का त्याग किए बिना छोटी वस्तुओं का पता लगाने की क्षमता उन तकनीकों के लिए नए दरवाजे खोलती है जो भौतिक दुनिया के साथ बातचीत करती हैं। चाहे वह जंगल में खोए हुए हाइकर की निगरानी करने वाला ड्रोन हो या व्यस्त शहर की सड़क पर चलता कार हो, छोटी बारीकियों को स्पष्ट रूप से देखने की क्षमता ही एक सुरक्षित, विश्वसनीय सिस्टम को एक त्रुटि-प्रवण सिस्टम से अलग करती है। यह नई विधि हमें ऐसी मशीनों के एक कदम करीब लाती है जो मानव आंख की तरह स्पष्टता और अनुकूलन क्षमता के साथ दुनिया को देख सकती हैं।