Hybrid Attention-Graph Reasoning over Deep Residual Networks for In-the-Wild Facial Expression Recognition
यह शोध पत्र DRAG-Net का प्रस्ताव करता है, जो एक हल्का डीप रेसिडुअल अटेंशन ग्राफ नेटवर्क है जो इन-द-वाइल्ड फेशियल एक्सप्रेशन रिकग्निशन के लिए मजबूत स्थानीय और वैश्विक चेहरे संबंधी निर्भरताओं को प्रभावी ढंग से कैप्चर करने हेतु DenseNet121, अटेंशन मैकेनिज्म और ग्राफ-आधारित रिलेशनल रीजनिंग 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
मानव चेहरे हमारे सबसे अभिव्यंजक उपकरण हैं, जो खुशी से दुख और क्रोध से आश्चर्य में तुरंत बदल जाते हैं। मशीनों को वास्तव में हमें समझने के लिए, उन्हें इन सूक्ष्म बदलावों को पढ़ना सीखना होगा, जिसे चेहरे के भावों की पहचान (facial expression recognition) के रूप में जाना जाता है। हालांकि कंप्यूटर तस्वीरों में वस्तुओं या लोगों की पहचान करने में उल्लेखनीय रूप से कुशल हो गए हैं, लेकिन भावनाओं को पढ़ना एक कठिन चुनौती बनी हुई है। कठिनाई वास्तविक दुनिया की अव्यवस्थित वास्तविकता में निहित है: प्रकाश में परिवर्तन, लोगों का सिर झुकाना, और एक ही भावना अलग-अलग चेहरों पर अलग दिख सकती है। इसके अलावा, कुछ भावनाएं, जैसे भय और आश्चर्य, चेहरे की मांसपेशियों की इतनी समान गतिविधियों को साझा करती हैं कि वे आसानी से भ्रमित हो सकती हैं। इसे हल करने के लिए, शोधकर्ताओं ने डीप लर्निंग की ओर रुख किया है, जो एक ऐसी विधि है जहाँ कंप्यूटर हजारों छवियों का विश्लेषण करके पैटर्न खोजने के माध्यम से सीखता है। हालाँकि, मानक दृष्टिकोण अक्सर चेहरे के विभिन्न हिस्सों के बीच संबंध स्थापित करने में संघर्ष करते हैं, जैसे कि कैसे भौहें और होंठ एक विशिष्ट भावना बनाने के लिए एक साथ चलते हैं।
मिस्र के शोधकर्ताओं की एक टीम ने दो शक्तिशाली सोच विधियों को मिलाकर इन बाधाओं को दूर करने के लिए डिज़ाइन की गई एक नई प्रणाली विकसित की है। उनका दृष्टिकोण, जिसे DRAG-Net कहा जाता है, एक दो-चरणीय प्रक्रिया के रूप में कार्य करता है जो पहले चेहरे के विवरण को स्पष्ट करता है और फिर उन विवरणों के बीच संबंधों को मैप करता है। यह प्रणाली एक मानक फोटोग्राफ लेकर उसे साफ करने और चमक को समायोजित करने से शुरू होती है ताकि प्रकाश की स्थितियों के बावजूद चेहरा स्पष्ट रहे। फिर यह एक पूर्व-प्रशिक्षित कंप्यूटर विज़न मॉडल का उपयोग करती है, जिसने पहले ही सामान्य आकृतियों और बनावट को पहचानना सीख लिया है, ताकि चेहरे की गहरी विशेषताओं (deep features) को निकाला जा सके। लेकिन यहीं रुकने के बजाय, शोधकर्ताओं ने "अटेंशन" (attention) की एक परत जोड़ी है, जो एक ऐसी प्रणाली है जो कंप्यूटर को पृष्ठभूमि को अनदेखा करने और चेहरे के सबसे महत्वपूर्ण हिस्सों, जैसे कि आँखें, भौहें और मुँह पर तीव्रता से ध्यान केंद्रित करने के लिए सिखाती है। यह चरण सुनिश्चित करता है कि मशीन भावना को समझने से पहले सही चीजों को देख रही है।
एक बार जब सिस्टम प्रमुख चेहरे की विशेषताओं पर ध्यान केंद्रित कर लेता है, तो यह अपने सबसे अभिनव चरण को निष्पादित करता है: यह छवि डेटा को जुड़े हुए बिंदुओं के एक नेटवर्क में बदल देता है। कल्पना कीजिए कि चेहरा एक सपाट तस्वीर नहीं है, बल्कि एक ग्रिड है जहाँ प्रत्येक छोटा वर्ग एक नोड या सूचना का बिंदु है। सिस्टम फिर पड़ोसी बिंदुओं के बीच अदृश्य रेखाएं खींचता है, जिससे यह मानचित्र बनता है कि चेहरे के विभिन्न हिस्से एक-दूसरे से कैसे जुड़े हैं। यह कंप्यूटर को चेहरे के क्षेत्रों के बीच के संबंधों के बारे में तर्क करने की अनुमति देता है, यह समझने की कि कैसे एक सिकुड़ी हुई भौंह और कसा हुआ मुँह क्रोध का संकेत देने के लिए एक विशिष्ट तरीके से जुड़े होते हैं। इन संबंधों का विश्लेषण करके, मॉडल उन भावनाओं के बीच अंतर कर सकता है जो सतह पर समान दिखती हैं लेकिन जिनके अंतर्निहित ढांचे अलग होते हैं। यह विधि जटिल, भारी सॉफ़्टवेयर की आवश्यकता को समाप्त करती है जो चेहरे के हर एक लैंडमार्क को ट्रैक करने की कोशिश करता है, जिससे सिस्टम हल्का और तेज़ बना रहता है।
शोधकर्ताओं ने इस नई प्रणाली का परीक्षण चेहरे की छवियों के चार अलग-अलग सेटों पर किया, जिसमें इंटरनेट से ली गई हजारों अनौपचारिक तस्वीरों से लेकर विशिष्ट भावनाओं को प्रदर्शित करने वाले अभिनेताओं के सावधानीपूर्वक नियंत्रित स्टूडियो शॉट्स तक शामिल थे। परिणामों ने दिखाया कि सिस्टम अत्यधिक प्रभावी था। बड़े, अव्यवस्थित इंटरनेट डेटासेट पर, इसने लगभग 67 प्रतिशत मामलों में भावना को सही ढंग से पहचाना, जो अन्य अग्रणी तरीकों से बेहतर प्रदर्शन है। नियंत्रित डेटासेट्स पर, जहाँ छवियां अधिक स्पष्ट थीं और मुद्राएं मानक थीं, सिस्टम ने लगभग पूर्ण स्कोर प्राप्त किया, जिसमें 98 प्रतिशत से अधिक मामलों में भावनाओं को सही ढंग से पहचाना गया। एक विशिष्ट परीक्षण सेट में, यह लगभग हर एक मामले में सही था। महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि उनका सिस्टम भारी कंप्यूटिंग शक्ति की आवश्यकता के बिना ये उच्च स्कोर प्राप्त करने में सक्षम रहा। यह आंतरिक सेटिंग्स की अपेक्षाकृत कम संख्या का उपयोग करता है, जो इसे मानक कंप्यूटरों या यहाँ तक कि मोबाइल उपकरणों पर भी चलाने के लिए पर्याप्त कुशल बनाता है, जो ड्राइवर मॉनिटरिंग या इंटरैक्टिव रोबोट जैसे वास्तविक समय के अनुप्रयोगों के लिए आवश्यक है।
अध्ययन ने यह भी पता लगाया कि यह प्रणाली इतनी अच्छी तरह से क्यों काम करती है, इसके लिए इसे टुकड़ों में परखा गया। उन्होंने पाया कि अटेंशन मैकेनिज्म और रिलेशनशिप मैपिंग का संयोजन ही इसकी सफलता की कुंजी थी। अटेंशन चरण के बिना, सिस्टम अप्रासंगिक पृष्ठभूमि विवरणों से विचलित हो जाता था। रिलेशनशिप मैपिंग के बिना, इसे यह देखने में संघर्ष करना पड़ता था कि चेहरे की विशेषताएं एक साथ मिलकर कैसे काम करती हैं। शोधकर्ताओं ने पुष्टि की कि उनकी विधि मजबूत (robust) थी, जिसका अर्थ है कि विभिन्न यादृच्छिक शुरुआती बिंदुओं के साथ परीक्षण किए जाने पर भी इसने लगातार अच्छा प्रदर्शन किया। उन्होंने यह भी नोट किया कि जबकि सिस्टम स्पष्ट भावनाओं को पहचानने में उत्कृष्ट है, फिर भी इसे अनियंत्रित वातावरण में पाई जाने वाली सबसे कठिन, सूक्ष्म अभिव्यक्तियों के साथ चुनौतियों का सामना करना पड़ता है, जो इस क्षेत्र की सभी वर्तमान तकनीकों की एक सामान्य सीमा है। अंततः, यह कार्य यह प्रदर्शित करता है कि मशीनों को सही स्थानों को देखने और उन स्थानों के जुड़ने के तरीके को समझने की शिक्षा देकर, हम पहले की तुलना में अधिक सटीकता और दक्षता के साथ मानवीय भावनाओं को पढ़ने वाले सिस्टम बना सकते 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।