तकनीकी सारांश: DriveSafe AI

समस्या विवरण (Problem Statement)

ड्राइवर की उनींदापन (drowsiness) वैश्विक सड़क मृत्यु दर का एक प्रमुख कारण है, फिर भी प्रभावी डिटेक्शन सिस्टम तैनात करने में दो प्राथमिक बाधाएं आती हैं: उच्च फाल्स अलार्म दर जो ड्राइवर के भरोसे को कम करती है, और अनपेक्षित विषयों या कैमरा स्थितियों (क्रॉस-डेटासेट जनरलाइजेशन) के सामने मॉडल का विफल होना। मौजूदा साहित्य एक मौलिक ट्रेड-ऑफ को प्रकट करता है: उच्च-सटीकता वाले मॉडल अक्सर भारी डेस्कटॉप हार्डवेयर की मांग करते हैं, जबकि हल्के एज-अनुकूल (edge-compatible) मॉडल सटीकता से समझौता करते हैं। इसके अलावा, अधिकांश सिस्टम केवल अपने प्रशिक्षण वितरण (training distributions) पर ही मूल्यांकित किए जाते हैं, जो जनरलाइजेशन विफलताओं को छिपा देते हैं। यह शोध पत्र सटीकता हानि के एक उपेक्षित स्रोत की पहचान करता है: प्रीप्रोसेसिंग पाइपलाइन, विशेष रूप से फेस डिटेक्शन और क्लासिफिकेशन के बीच का हैंडऑफ।

कार्यप्रणाली (Methodology)

प्रस्तावित सिस्टम, DriveSafe AI, सटीकता की बाधाओं को अलग करने के लिए एक व्यवस्थित पाइपलाइन अपघटन (pipeline decomposition) का उपयोग करता है। इसकी वास्तुकला (architecture) में शामिल हैं:

1. सिस्टम पाइपलाइन: वेबकैम फ्रेम SSD (सिंगल शॉट मल्टीबॉक्स डिटेक्टर) फेस डिटेक्शन से गुजरते हैं, जिसके बाद CLAHE (कंट्रास्ट लिमिटेड एडेप्टिव हिस्टोग्राम इक्वलाइज़ेशन) प्रीप्रोसेसिंग, MobileNetV2 के माध्यम से क्लासिफिकेशन, और एक थ्री-ज़ोन कॉन्फिडेंस प्रोटोकॉल होता है।
2. CLAHE-एडेप्टिव प्रीप्रोसेसिंग: मानक ग्लोबल ब्राइटनेस एडजस्टमेंट के विपरीत, CLAHE स्थानीय टाइल क्षेत्रों पर कार्य करता है ताकि गैर-समान रोशनी (जैसे डैशबोर्ड की चमक, टनल लाइटिंग) को सामान्य किया जा सके, जिससे ट्रेनिंग और टेस्टिंग डेटासेट्स के बीच के डोमेन गैप को पाटा जा सके।
3. थ्री-ज़ोन कॉन्फिडेंस प्रोटोकॉल: फाल्स अलार्म को समाप्त करने के लिए, सिस्टम क्लासिफायर आउटपुट को तीन ज़ोन में विभाजित करता है: एक्टिव (कम संभावना), अनसर्टेन (मध्यवर्ती संभावना), और फटीग (उच्च संभावना)। सिस्टम "अनसर्टेन" ज़ोन में आने वाले इनपुट्स को क्लासिफाई करने से इनकार कर देता है, जिससे शोर (noise) को फ़िल्टर करते हुए उच्च कवरेज बना रहता है।
4. सब्जेक्ट-एडेप्टिव फ्यू-शॉट कैलिब्रेशन: क्रॉस-सब्जेक्ट जनरलाइजेशन गैप को संबोधित करने के लिए, सिस्टम एक फ्यू-शॉट फाइन-ट्यूनिंग प्रोटोकॉल लागू करता है। केवल $k=30$ लेबल किए गए फ्रेम (लगभग 1 सेकंड का वीडियो) के साथ, मॉडल:
   • अंतिम पांच परतों को छोड़कर सभी परतों को फ्रीज करता है।
   • डेटा ऑग्मेंटेशन (फ्लिप्स, ब्राइटनेस जिटर, नॉइज़, कटआउट) के साथ अडैप्टेशन फ्रेमों पर फाइन-ट्यून करता है।
   • प्रति-विषय (per-subject) निर्णय थ्रेशोल्ड को कैलिब्रेट करता है।
   • 5-फ्रेम स्लाइडिंग विंडो पर टेस्ट-टाइम ऑग्मेंटेशन (TTA) और टेम्पोरल स्मूथिंग लागू करता है।
   • नोट: यह प्रोटोकॉल एक सेमी-सुपरवाइज्ड वेरिएंट का समर्थन करता जहाँ 30 फ्रेमों को केवल "एक्टिव" (अलर्ट) फ्रेम होना चाहिए, जिन्हें ड्राइविंग के पहले मिनट के दौरान एकत्र किया जाता है, जिससे स्टार्टअप के दौरान मैन्युअल थकान लेबलिंग की आवश्यकता समाप्त हो जाती है।

मुख्य योगदान (Key Contributions)

यह शोध पत्र चार प्राथमिक योगदान प्रस्तुत करता है:

1. पाइपलाइन अपघटन: एक पद्धति जो प्रति-चरण सटीकता योगदान को अलग करती है, जिससे SSD फेस-डिटेक्शन हैंडऑफ को प्राथमिक विफलता मोड के रूप में पहचाना गया, जो किसी भी परीक्षण किए गए आर्किटेक्चरल वेरिएशन से 12.1 प्रतिशत-पॉइंट अधिक सटीकता गैप पेश करता है।
2. CLAHE-एडेप्टिव प्रीप्रोसेसिंग: एक तकनीक जो इल्यूमिनेशन नॉर्मलाइजेशन के माध्यम से क्रॉस-डेटासेट डोमेन गैप को पाटती है, जिससे UTA-RLDD डेटासेट पर सटीकता 33.3% से बढ़कर 99.0% हो जाती है।
3. थ्री-ज़ोन कॉन्फिडेंस प्रोटोकॉल: एक तंत्र जो चयनात्मक भविष्यवाणी के माध्यम से फाल्स अलार्म को समाप्त करता है, अनिश्चित इनपुट्स को अस्वीकार करते हुए 94.7% F1 स्कोर बनाए रखता है।
4. सब्जेक्ट-एडेप्टिव कैलिब्रेशन: एक फ्यू-शॉट कैलिब्रेशन विधि जो वास्तविक Leave-One-Subject-Out (LOSO) सटीकता को 53.2% से बढ़ाकर 96.1% कर देती है, जो व्यक्तिगत, एज-डिप्लॉयड डिटेक्शन की व्यवहार्यता को प्रदर्शित करती है।

प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग akahana डेटासेट का उपयोग करके इन-डिस्ट्रीब्यूशन ट्रेनिंग के लिए और क्रॉस-सब्जेक्ट इवैल्यूएशन के लिए UTA-RLDD बेंचमार्क (60 विषय) का उपयोग करके किए गए थे।

• प्रीप्रोसेसिंग प्रभाव: बिना CLAHE के, इल्यूमिनेशन वेरिएंस के कारण क्रॉस-डेटासेट सटीकता गिरकर 33.3% हो गई। CLAHE के साथ, सटीकता 99.0% तक पहुँच गई, जो 65.7 प्रतिशत-पॉइंट का सुधार है।
• जनरलाइजेशन प्रदर्शन:
  • बेसलाइन (नो अडैप्टेशन): वास्तविक LOSO मूल्यांकन के तहत 53.2% माध्य सटीकता (±19.3% std) प्राप्त की, जिसमें फाल्स अलार्म रेट (FAR) 40.9% था।
  • एडेप्टिव (फ्यू-शॉट): प्रति विषय केवल 30 अडैप्टेशन फ्रेम के साथ 96.1% माध्य सटीकता (±4.9% std) प्राप्त की। FAR घटकर 5.5% रह गया, और रिकॉल 99.2% तक पहुँच गया।
• एब्लेशन स्टडीज (Ablation Studies):
  • अडैप्टेशन फ्रेम को $k=10$ से $k=30$ तक बढ़ाने से सबसे बड़ा लाभ (+34.3 pp) मिला, जो TTA या टेम्पोरल स्मूथिंग के लाभों से कहीं अधिक था।
  • आर्किटेक्चरल कॉम्प्लेक्सिटी (जैसे LSTM या ज्योमेट्रिक फीचर्स जोड़ना) सरल फाइन-ट्यूनिंग के मुकाबले प्रदर्शन सुधारने में विफल रही, जिससे एडेप्टिव बेसलाइन (59.0%) से कम सटीकता मिली।
  • क्वांटाइजेशन: डायनेमिक 2.4 MB (TFLite) तक क्वांटाइज्ड MobileNetV2 ने 99.0% सटीकता प्राप्त की, जिसने MobileNetV3 को पीछे छोड़ दिया, जिसके हार्ड-स्विश एक्टिवेशन्स वेट राउंडिंग के तहत खराब प्रदर्शन करते हैं।
• बॉटलनेक विश्लेषण: SSD फेस डिटेक्शन स्टेप ने फुल-इमेज क्लासिफिकेशन की तुलना में 12.1 प्रतिशत-पॉइंट का सटीकता गैप पेश किया, जो मॉडल आर्किटेक्चर परिवर्तनों के प्रभाव से अधिक है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र तर्क देता है कि लाइटवेट ड्राइवर डौज़िनेस डिटेक्शन (DDD) की प्राथमिक बाधा न्यूरल आर्किटेक्चर क्षमता नहीं, बल्कि प्रीप्रोसेसिंग मजबूती (robustness) और विषय-विशिष्ट कैलिब्रेशन (subject-specific calibration) है।

• ऑप्टिमाइजेशन का पुनर्निर्धारण: लेखक का दावा है कि प्रीप्रोसेसिंग (विशेष रूप से इल्यूमिनेशन नॉर्मलाइजेशन) और डेटा अडैप्टेशन में सुधार, मॉडल जटिलता को बढ़ाने की तुलना में अधिक रिटर्न देते हैं। डिटेक्शन हैंडऑफ द्वारा उत्पन्न 12.1 pp का गैप पहचाना गया सबसे बड़ा एकल त्रुटि स्रोत है।
• वैयक्तिकरण की व्यवहार्यता: परिणाम प्रदर्शित करते हैं कि क्रॉस-सब्जेक्ट जनरलाइजेशन कोई ऐसी बाधा नहीं है जिसे बड़े डेटासेट्स या जटिल आर्किटेक्चर की आवश्यकता हो। इसके बजाय, इसे न्यूनतम डेटा (30 फ्रेम) का उपयोग करके व्यक्तिगत कैलिब्रेशन के माध्यम से हल किया जा सकता है।
• व्यावहारिक परिनियोजन (Practical Deployment): सिस्टम को एज डिप्लॉयमेंट के लिए डिज़ाइन किया गया है, जो TFLite डायनेमिक क्वांटाइजेशन का उपयोग करता है और एक प्रोसेसिंग पाइपलाइन है जो वास्तविक समय की बाधाओं (अमोर्टाइज होने पर प्रति-फ्रेम सब-40ms बजट) के भीतर फिट बैठती है। सेमी-सुपरवाइज्ड अडैप्टेशन प्रोटोकॉल वाहनों के स्टार्टअप के दौरान ड्राइवरों को थकान की स्थिति को मैन्युअल रूप से लेबल करने की आवश्यकता के बिना वास्तविक दुनिया के परिनियोजन की अनुमति देता है।

अध्ययन निष्कर्ष निकालता है कि भविष्य के DDD प्रयासों को आर्किटेक्चरल नवाचारों के पीछे भागने के बजाय अडैप्टेशन डेटा आवश्यकताओं को कम करने (मेटा-लर्निंग के माध्यम से) और विविध डेटासेट्स (NTH-DDD, ZJU-DRO) में इन एडेप्टिव प्रोटोकॉल को मान्य करने को प्राथमिकता देनी चाहिए।