Lightweight Real-Time RGB-IR Pedestrian Detection Based on DoG Detail Enhancement and Region-Guided Attention
यह शोध पत्र DRGF-YOLOv10n का प्रस्ताव करता है, जो एक हल्का वास्तविक समय (real-time) RGB-IR पैदल यात्री पहचान विधि है जो उच्च अनुमान गति (inference speed) बनाए रखते हुए जटिल वातावरण में सटीकता और मजबूती में सुधार करने के लिए DoG विवरण संवर्धन (detail enhancement) और रीजन-गाइडेड स्पेशियल अटेंशन के साथ ड्यूल-ब्रांच स्टेम (Dual-Branch Stem) को एकीकृत 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
कंप्यूटर विजन की दुनिया में, मशीनें लगातार देखना सीख रही हैं, लेकिन वे अक्सर उन्हीं सीमाओं से जूझती हैं जो कठिन परिस्थितियों में मानवीय आंखों को भी परेशान करती हैं। केवल दृश्य प्रकाश (विज़िबल लाइट) पर निर्भर रहने वाला कैमरा, जैसा कि हम रोज़ाना उपयोग करते हैं, अंधेरे, भारी बारिश या चकाचौंध भरी रोशनी से आसानी से भ्रमित हो सकता है, जिससे यह छाया में खड़े लोगों को पहचानने में चूक कर सकता है। इसके विपरीत, गर्मी का पता लगाने वाले कैमरे, जिन्हें इन्फ्रारेड सेंसर कहा जाता है, घने अंधेरे में भी एक गर्म शरीर को देख सकते हैं, लेकिन वे अक्सर यह दिखाने में विफल रहते हैं कि वह शरीर कैसा दिखता है, जिससे वह एक धुंधले और बिना बनावट (टेक्सचर) वाले धब्बे के रूप में दिखाई देता है। इसे हल करने के लिए, शोधकर्ताओं ने लंबे समय से इन दो प्रकार के विजन को मिलाने का प्रयास किया है, इस उम्मीद में कि वे एक मानक फोटो के तीखे विवरणों को थर्मल कैमरे की ताप-संवेदी शक्ति के साथ जोड़ सकें। चुनौती कंप्यूटर को सूचना के इन दो बहुत अलग प्रवाहों को बिना किसी एक की विशिष्ट ताकत खोए मिलाने के लिए प्रशिक्षित करने में है, और यह सब करते हुए सिस्टम को इतना तेज़ रखना है कि वह लैपटॉप या सुरक्षा कैमरे पर वास्तविक समय (रियल-टाइम) में चल सके।
चोंगकिंग यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस समस्या के लिए एक नया दृष्टिकोण विकसित किया है, जिससे एक ऐसा सिस्टम बनाया गया है जो जटिल और अव्यवस्थित वातावरण में भी उच्च विश्वसनीयता के साथ पैदल यात्रियों (पेडस्ट्रियन) को पहचानने में सक्षम है। उनका तरीका, जो एक हल्के वजन वाले डिटेक्शन फ्रेमवर्क पर आधारित है, दृश्य प्रकाश वाली छवि और ऊष्मा (हीट) वाली छवि को शुरुआत से ही सूचना के दो अलग-अलग प्रवाहों के रूप में मानता है, न कि उन्हें तुरंत आपस में मिला देता है। उन्होंने पाया कि इन दोनों दृश्यों को प्रारंभिक प्रसंस्करण के लिए अलग रखने से, कंप्यूटर दृश्य प्रकाश से किसी व्यक्ति की बनावट और किनारों को बेहतर ढंग से समझ सकता है और साथ ही उनके ताप संकेत (हीट सिग्नेचर) को भी ट्रैक कर सकता है। यह दोहरी-धारा (डुअल-स्ट्रीम) रणनीति सिस्टम को दोनों प्रकार की छवियों के बीच के अंतर से भ्रमित होने से बचाती है, जिससे यह दृश्य में मौजूद व्यक्ति की अधिक स्पष्ट तस्वीर बनाने में सक्षम होता है।
दृश्य प्रकाश वाली छवि को और अधिक उपयोगी बनाने के लिए, शोधकर्ताओं ने कंप्यूटर द्वारा मुख्य विश्लेषण शुरू करने से पहले ही एक विशिष्ट चरण जोड़ा। उन्होंने एक ऐसी तकनीक लागू की जो एक शार्पनिंग फिल्टर की तरह काम करती है, जिसे विशेष रूप से वस्तुओं की रूपरेखा और किनारों को उभारने के लिए डिज़ाइन किया गया है। यह प्रक्रिया किसी व्यक्ति के कपड़ों के बारीक विवरण या कंधे के घुमाव को भीड़भाड़ वाले बैकग्राउंड के मुकाबले अधिक स्पष्ट रूप से उभार देती है, जो इस तथ्य की भरपाई करती है कि हीट कैमरा अक्सर इन सूक्ष्म विवरणों की कमी रखता है। इस संवर्धित, तीक्ष्ण छवि को कच्चे हीट डेटा के साथ सिस्टम में फीड करके, कंप्यूटर को काम करने के लिए सुरागों का एक समृद्ध सेट मिलता है, जिससे एक वास्तविक व्यक्ति को बैकग्राउंड के शोर वाले हिस्से से अलग करना आसान हो जाता है।
इस सिस्टम में एक स्मार्ट फोकसिंग मैकेनिज्म भी शामिल है जो कंप्यूटर द्वारा छवियों को एक निश्चित गहराई तक प्रोसेस करने के बाद सक्रिय होता है। छवि के हर हिस्से पर समान रूप से ध्यान देने के बजाय, जो कंप्यूटिंग पावर को बर्बाद करेगा, यह मैकेनिज्म पेड़ों, बाड़ या छाया जैसे अप्रासंगिक बैकग्राउंड विवरणों को अनदेखा करना सीख जाता है। यह अपनी ऊर्जा विशेष रूप से उन क्षेत्रों पर केंद्रित करता है जहाँ किसी व्यक्ति के होने की संभावना होती है, प्रभावी रूप से पैदल यात्री की उपस्थिति को बढ़ा देता है और बाकी दुनिया की आवाज़ को कम कर देता है। यह चयनात्मक ध्यान (सिलेक्टिव अटेंशन) सिस्टम को गलत अलार्म से बचने में मदद करता है, यह सुनिश्चित करता है कि जब वह किसी पहचान का संकेत दे, तो उसे पूरा विश्वास हो कि वास्तव में वहां कोई व्यक्ति मौजूद है।
पैदल यात्रियों की युग्मित (पेयर्ड) दृश्य और इन्फ्रारेड छवियों वाले एक मानक डेटासेट पर परीक्षण करने पर, नए सिस्टम ने पिछले तरीकों की तुलना में सटीकता (प्रिसिजन) में महत्वपूर्ण सुधार दिखाया। इसने 0.9204 का प्रिसिजन स्कोर प्राप्त किया, जिसका अर्थ है कि जब सिस्टम ने कहा कि उसने एक व्यक्ति को देखा है, तो वह 92 प्रतिशत से अधिक बार सही था। हालांकि सिस्टम कुछ दूर या बहुत छोटे लक्ष्यों को पकड़ने में विफल रहा, जिसके परिणामस्वरूप पकड़ने की दर (रिकॉल) कम रही, लेकिन गलत अलार्म से बचने की इसकी क्षमता इसकी सबसे बड़ी ताकत थी। शोधकर्ताओं ने नोट किया कि यह सिस्टम एक मानक लैपटॉप ग्राफिक्स कार्ड पर लगभग 31 फ्रेम प्रति सेकंड की गति से चलता है, जो वास्तविक समय की वीडियो निगरानी के लिए पर्याप्त तेज़ है।
लेखकों का सुझाव है कि यह टूल आवश्यक रूप से सुरक्षा प्रणाली की पहली पंक्ति (फर्स्ट लाइन ऑफ डिफेंस) नहीं है, बल्कि एक अत्यधिक विश्वसनीय 'दूसरी राय' (सेकंड ओपिनियन) है। एक विशिष्ट निगरानी सेटअप में, एक पहला डिटेक्टर वीडियो फीड को स्कैन कर सकता है और संभावित लक्ष्यों को चिह्नित कर सकता है ताकि यह सुनिश्चित हो सके कि कुछ भी छूटे नहीं, भले ही वह गलती से कुछ हानिरहित वस्तुओं को भी चिह्नित कर दे। यह नया सिस्टम फिर उन चिह्नित क्षेत्रों की दोबारा जांच करने के लिए एक सत्यापन चरण (वेरिफिकेशन स्टेप) के रूप में कार्य करेगा, जो अपने तीखे किनारे-संवर्धन (एज-एन्हांसमेंट) और केंद्रित ध्यान के साथ यह पुष्टि करेगा कि वे वास्तव में लोग हैं या नहीं। यह दो-चरणीय दृष्टिकोण सुरक्षा प्रणालियों को निरंतर, गलत अलर्ट से अभिभूत हुए बिना उच्च सुरक्षा मानकों को बनाए रखने की अनुमति देता है, जिससे यह रात की निगरानी या उन क्षेत्रों के लिए विशेष रूप से मूल्यवान हो जाता है जहाँ गलत अलार्म महंगे और कष्टप्रद होते हैं।
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।