Foreground Sampling and Spatial Support in Pavement Crack Segmentation

सड़कें लगातार हमलों का सामना कर रही हैं। धूप, बारिश और भारी यातायात धीरे-धीरे चिकने डामर को दरारों वाले एक खंडित परिदृश्य में बदल देते हैं। इंजीनियरों के लिए, इन दरारों को पहचानना इस बात का पहला कदम है कि सड़क को त्वरित मरम्मत की आवश्यकता है या पूरी तरह से पुनर्निर्माण की। दशकों तक, यह निरीक्षण उन मनुष्यों द्वारा किया जाता रहा है जो सड़क के साथ धीरे-धीरे गाड़ी चलाते हुए, जमीन की ओर ताकते हुए करते थे, जो एक ऐसी प्रक्रिया थी जो धीमी, व्यक्तिपरक और पूरे शहरों में विस्तार करने के लिए कठिन थी। इसे ठीक करने के लिए, शोधकर्ताओं ने कंप्यूटर की ओर रुख किया है, उन्हें सड़कों की तस्वीरें देखना और हर दरार के चारों ओर स्वचालित रूप से रेखाएं खींचना सिखाया है। 'सेगमेंटेशन' (segmentation) के रूप में जानी जाने वाली इस कार्य के लिए कंप्यूटर को दरार की गहरी, पतली रेखाओं और सड़क की हल्की, बनावट वाली सतह के बीच अंतर करने की आवश्यकता होती है।

इन कंप्यूटर प्रोग्रामों के लिए चुनौती यह है कि दरारें दुर्लभ हैं। सड़क की एक सामान्य तस्वीर में, अधिकांश पिक्सेल बरकरार फुटपाथ दिखाते हैं, जबकि केवल एक बहुत छोटा हिस्सा दरार दिखाता है। कंप्यूटर को सिखाने में मदद करने के लिए, शोधकर्ता अक्सर 'फोरग्राउंड सैंपलिंग' (foreground sampling) नामक एक तरकीब का उपयोग करते हैं। कंप्यूटर को सड़क के यादृच्छिक (random) हिस्से दिखाने के बजाय, वे प्रोग्राम को मुख्य रूप से उन हिस्सों को देखने के लिए मजबूर करते हैं जिनमें दरारें होती हैं। यह एक तार्किक कदम लगता है: यदि कंप्यूटर अधिक दरारें देखता है, तो उसे उन्हें खोजने में बेहतर होना चाहिए। हालांकि, इस सरल रणनीति की एक छिपी हुई लागत है जिसे शोधकर्ताओं ने काफी हद तक अनदेखा कर दिया है। केवल दरारों वाले हिस्सों को काटकर, कंप्यूटर कभी सड़क के बाकी हिस्सों को नहीं देख पाता। वह छाया, लेन के निशान, मैनहोल कवर और दरार से दूर फुटपाथ की बनावट को नहीं देख पाता। ये "बैकग्राउंड" विवरण केवल खाली स्थान नहीं हैं; ये महत्वपूर्ण संदर्भ (context) हैं जो कंप्यूटर को यह समझने में मदद करते हैं कि दरार क्या नहीं है।

मोंटाना स्टेट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने यह जांचने का निर्णय लिया कि जब इस सैंपलिंग की तरकीब का उपयोग किया जाता है तो वास्तव में क्या होता है। वे यह जानना चाहते थे कि क्या समस्या केवल यह थी कि कंप्यूटर बहुत अधिक दरारें देख रहा था, या वास्तविक मुद्दा यह था कि कंप्यूटर को बाकी दुनिया देखने से अंधा कर दिया गया था। यह पता लगाने के लिए, उन्होंने 'क्रैक500' (Crack500) नामक सड़क की छवियों के एक विशाल संग्रह का उपयोग करके एक नियंत्रित प्रयोग स्थापित किया। उन्होंने एक मानक कंप्यूटर विजन मॉडल बनाया, जो पैटर्न पहचानने के लिए डिज़ाइन किया गया एक प्रकार का आर्टिफिशियल इंटेलिजेंस है, और इसके प्रशिक्षण के हर हिस्से को एक ही चीज़ को छोड़कर समान रखा: कि वे उसे दिखाने के लिए छवि के टुकड़ों को कैसे चुनते थे।

शोधकर्ताओं ने एक आधार रेखा (baseline) स्थापित करके शुरुआत की। उन्होंने कंप्यूटर को सड़क के यादृच्छिक टुकड़ों से सीखने दिया, ठीक वैसे ही जैसे कोई इंसान कार की खिड़की से सड़क को देखते हुए देखता है, जिसमें दरारें और बरकरार फुटपाथ दोनों का प्राकृतिक मिश्रण होता है। इस दृष्टिकोण ने सबसे अच्छे परिणाम दिए। जब उन्होंने अधिक आक्रामक होने की कोशिश की और कंप्यूटर को केवल सड़क के वे हिस्से दिखाए जिनमें दरारें थीं, तो मॉडल का प्रदर्शन काफी गिर गया। यह दरारें खोजने में और भी खराब हो गया, न कि बेहतर। यह आश्चर्यजनक था क्योंकि कंप्यूटर उस लक्ष्य को अधिक देख रहा था जिसे उसे खोजना था। शोधकर्ताओं ने महसूस किया कि कंप्यूटर को केवल दरारों को देखने के लिए मजबूर करके, उन्होंने गलती से सड़क का एक बड़ा हिस्सा उसके दृश्य से हटा दिया था। वास्तव में, जब उन्होंने छवियों की ज्यामिति की गणना की, तो उन्होंने पाया कि इस आक्रामक सैंपलिंग ने सड़क की लगभग आधी सतह को पूरी तरह से अप्राप्य बना दिया था। कंप्यूटर प्रभावी रूप से एक ऐसी दुनिया में प्रशिक्षण ले रहा था जहाँ फुटपाथ के बड़े हिस्से का अस्तित्व ही नहीं था।

यह साबित करने के लिए कि गायब हुआ सड़क का सतह ही असली अपराधी था, न कि केवल यह तथ्य कि कंप्यूटर बहुत अधिक दरारें देख रहा था, शोधकर्ताओं ने एक चतुर परीक्षण डिजाइन किया। उन्होंने एक नई प्रशिक्षण पद्धति बनाई जो कंप्यूटर को प्राकृतिक, यादृच्छिक पद्धति के समान ही उतनी ही दरारें दिखाती थी, लेकिन फिर भी उन्होंने उसे उन हिस्सों को अनदेखा करने के लिए मजबूर किया जो दरारों से दूर थे। इस सेटअप ने "दरारों की संख्या" को समान रखा लेकिन "सड़क का संदर्भ" हटा दिया। परिणाम एक बार फिर खराब प्रदर्शन के रूप में सामने आया। कंप्यूटर उतना ही संघर्ष कर रहा था जितना वह तब कर रहा था जब उसे केवल दरारें दिखाई गई थीं। इससे यह सिद्ध हुआ कि समस्या दरारों की मात्रा नहीं थी; बल्कि आसपास के वातावरण का नुकसान था।

शोधकर्ताओं ने फिर दो संभावित कारणों को अलग करने के लिए एक अंतिम, निर्णायक परीक्षण किया: संदर्भ का नुकसान बनाम केवल अलग-अलग छवि टुकड़ों की संख्या में कमी। उन्होंने प्रतिबंधित प्रशिक्षण सेट को लिया और कंप्यूटर को सड़क के एक छोटे पड़ोस तक सीमित करने के बजाय, उपलब्ध छवि टुकड़ों को पूरी सड़क की सतह पर बिखेर दिया। उन्होंने टुकड़ों की संख्या बिल्कुल वैसी ही रखी जैसी प्रतिबंधित परीक्षण में थी, लेकिन उन्होंने कंप्यूटर को फिर से लगभग पूरी सड़क देखने की अनुमति दी। जब उन्होंने ऐसा किया, तो कंप्यूटर का प्रदर्शन वापस प्राकृतिक, यादृच्छिक प्रशिक्षण के स्तर पर आ गया। उसने पाया कि सड़क के पूर्ण स्थानिक लेआउट (spatial layout) तक पहुंच होना, भले ही कुल उदाहरण कम हों, केवल कुछ जगहों से बहुत अधिक उदाहरणों के होने से कहीं अधिक महत्वपूर्ण था।

अध्ययन ने यह भी खुलासा किया कि यह समस्या इस बात पर निर्भर करती है कि कंप्यूटर जानकारी को कैसे संसाधित (process) करता है। शोधकर्ताओं ने अपने निष्कर्षों का परीक्षण दो अलग-अलग आंतरिक प्रसंस्करण विधियों का उपयोग करके किया, जिनमें से एक सामान्य है और एक कम प्रचलित। लापता संदर्भ की समस्या सामान्य विधि के साथ गंभीर थी, लेकिन यह दूसरी विधि के साथ अलग व्यवहार करती थी, जिससे पता चलता है कि कंप्यूटर डेटा को कैसे संभालता है, यह इस बात को बदल सकता है कि वह पूरी तस्वीर देखने पर कितना निर्भर करता है। इसका मतलब है कि हर कंप्यूटर विज़न सिस्टम के लिए कोई एक नियम लागू नहीं होता है; छवि के हिस्सों को काटने का प्रभाव उपयोग किए जा रहे विशिष्ट उपकरणों पर निर्भर करता है।

इस कार्य का अंतिम सबक यह है कि आर्टिफिशियल इंटेलिजेंस की दुनिया में, आप जो छोड़ देते हैं वह उतना ही महत्वपूर्ण है जितना कि वह जो आप शामिल करते हैं। जब शोधकर्ता केवल दरारें दिखाकर दुर्लभ दरारों की समस्या को हल करने की कोशिश करते हैं, तो वे अनजाने में उसे वास्तविकता का एक विकृत संस्करण सिखा रहे होते हैं। कंप्यूटर को दरारों को देखने की आवश्यकता है, लेकिन उसे दरार और छाया या दाग के बीच अंतर समझने के लिए उनके आसपास की सड़क को भी देखने की आवश्यकता है। शोधकर्ताओं ने निष्कर्ष निकाला कि भविष्य के अध्ययनों को न केवल यह रिपोर्ट करना चाहिए कि कंप्यूटर कितनी दरारें देखता है, बल्कि यह भी कि वह सड़क का कितना हिस्सा देखने के लिए स्वतंत्र है। उन्होंने तर्क दिया कि सैंपलिंग रणनीतियों को इस नियम के रूप में माना जाना चाहिए कि कंप्यूटर दुनिया के किन हिस्सों का पता लगा सकता है, न कि केवल संख्याओं को संतुलित करने के तरीके के रूप में। अपने प्रशिक्षण डेटा की "पहुंच योग्यता" (reachability) को मापकर और रिपोर्ट करके, वैज्ञानिक यह सुनिश्चित कर सकते हैं कि उनके मॉडल सड़क की एक पूर्ण तस्वीर से सीख रहे हैं, न कि केवल एक खंडित तस्वीर से।