B-REAL: A keypoint-less behavior platform for offline classification and real-time detection
B-REAL एक पोज़-फ्री (pose-free), रियल-टाइम व्यवहार वर्गीकरण प्लेटफॉर्म है जो न्यूनतम एनोटेशन और मानक हार्डवेयर के साथ क्लोज्ड-लूप न्यूरोएथोलॉजी प्रयोगों को सक्षम बनाता है, जो कच्चे वीडियो को फ्रेम दर से तेज़ गति से मैप करके स्थापित तरीकों से भी बेहतर प्रदर्शन करता है, यहाँ तक कि दुर्लभ व्यवहारों पर भी।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मस्तिष्क कैसे काम करता है, इसे समझने के लिए वैज्ञानिकों को पहले यह समझना होगा कि वह जीव वास्तव में क्या कर रहा है जो वह नियंत्रित करता है। दशकों तक, पशु व्यवहार को मापने का स्वर्ण मानक एक मानव पर्यवेक्षक था जो वीडियो रिकॉर्डिंग देखते हुए, हर गतिविधि को नोट करने के लिए वीडियो को रोकते और पीछे घुमाते थे, जैसे कि एक चूहे का कोने को सूँघना या एक मक्खी का दूसरे पर हमला करना। यह विधि लचीली और व्याख्या योग्य है, लेकिन यह अविश्वसनीय रूप से धीमी और मानवीय त्रुटियों के प्रति संवेदनशील है। हाल के वर्षों में, कंप्यूटरों ने इस कार्य को संभालना शुरू कर दिया है, लेकिन वे मुख्य रूप से एक दो-चरणीय प्रक्रिया पर निर्भर रहे हैं जो अपनी स्वयं की बाधाएं पैदा करती है। पहले, एक कंप्यूटर प्रोग्राम को जानवर के शरीर के विशिष्ट बिंदुओं को खोजने के लिए प्रशिक्षित किया जाना चाहिए, जैसे कि नाक का सिरा या पैर का जोड़, एक ऐसी प्रक्रिया जिसमें हजारों घंटों का मानवीय लेबलिंग कार्य आवश्यक होता है। दूसरा, कंप्यूटर उन बिंदुओं का उपयोग करके यह अनुमान लगाता है कि कौन सा व्यवहार हो रहा है। यह दृष्टिकोण सेटअप करने में धीमा है, अक्सर तब विफल हो जाता है जब जानवर एक-दूसरे की दृष्टि को बाधित करते हैं, और आमतौर पर वास्तविक समय में प्रतिक्रिया देने के लिए बहुत सुस्त होता है। यदि कोई शोधकर्ता चाहता है कि जैसे ही चूहा खुद को साफ (grooming) करे उसे तुरंत इनाम मिले, या किसी विशिष्ट गतिविधि के होते ही प्रयोग को रोक दिया जाए, तो कंप्यूटर इतना तेज़ होना चाहिए कि वह वीडियो के समाप्त होने से पहले ही क्रिया को देख सके और निर्णय ले सके।
कार्नेगी मेलन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने B-REAL नामक एक नई प्रणाली विकसित की है जो बीच के माध्यम को पूरी तरह से हटा देती है। जानवर के कंकाल का मानचित्र बनाने के बजाय, यह प्रणाली सीधे कच्चे वीडियो पिक्सेल को देखती है और व्यवहार को तुरंत पहचानना सीख लेती है। परिणाम स्वरूप, एक ऐसा उपकरण प्राप्त हुआ है जो मानक कंप्यूटर हार्डवेयर पर भी, कैमरा अगली तस्वीर लेने से पहले ही वर्गीकृत कर सकता है कि जानवर क्या कर रहा है। यह गति एक नए प्रकार के प्रयोग की अनुमति देती है जहाँ जानवर का व्यवहार उसके वातावरण में तत्काल परिवर्तन ला सकता है, जैसे कि पानी की एक बूंद देना या प्रकाश का एक झलका, जबकि वह व्यवहार अभी भी हो रहा हो। शोधकर्ताओं ने दिखाया कि यह विधि पिछले सिस्टम की तुलना में बहुत कम प्रशिक्षण डेटा के साथ काम करती है, क्षण भर के लिए होने वाली गतिविधियों को पकड़ सकती है, और वास्तविक समय में जानवर की प्राकृतिक क्रियाओं को आकार देने के लिए उपयोग की जा सकती है।
इस नए दृष्टिकोण का मूल आधार यह है कि कंप्यूटर वीडियो को कैसे संसाधित करता है। पारंपरिक विधियाँ वीडियो को स्थिर छवियों की एक श्रृंखला के रूप में मानती हैं, पहले शरीर के अंगों को ढूंढती हैं और फिर उन अंगों की गति की गणना करती हैं। B-REAL शरीर के अंगों को खोजने के चरण को छोड़ देता है। यह वीडियो फ्रेम के एक छोटे अनुक्रम को लेता है और उन्हें सीधे एक न्यूरल नेटवर्क में डाल देता है, जो पैटर्न पहचानने के लिए डिज़ाइन किया गया एक प्रकार का कंप्यूटर प्रोग्राम है। गति को ट्रैक करने के लिए विशिष्ट बिंदुओं का उपयोग किए बिना समझने के लिए, यह प्रणाली एक ऐसी तकनीक का उपयोग करती है जो पड़ोसी फ्रेमों के बीच सूचना के छोटे टुकड़ों का आदान-प्रदान करती है। कल्पना कीजिए कि फोटो का एक ढेर है जहाँ ऊपर की फोटो के कुछ पिक्सेल को नीचे की फोटो के साथ बदल दिया जाता है; यह कंप्यूटर को यह देखने की अनुमति देता है कि समय के साथ चीजें कैसे बदलती हैं, बिना यह जाने कि पैर या पंख का सटीक स्थान कहाँ है। क्योंकि इस विधि को यह सीखने की आवश्यकता नहीं है कि जानवर का शरीर का एक जटिल मानचित्र कैसे बनाया जाए, यह पुराने सिस्टम की सामान्य विफलताओं से बच जाता है, जैसे कि जानवर के आंशिक रूप से छिप जाने या रोशनी बदलने पर उसका पीछा खो देना।
शोधकर्ताओं ने इस प्रणाली का परीक्षण दो बहुत अलग चुनौतियों पर किया: चूहों के बीच जटिल सामाजिक अंतःक्रिया और फलों की मक्खियों (fruit flies) के बीच अत्यंत तीव्र, दुर्लभ हमले। चूहे के प्रयोगों में, प्रणाली ने केवल एक मिनट के लेबल किए गए वीडियो के बाद आक्रमण करने, जांच करने और चढ़ने (mounting) के बीच उच्च सटीकता के साथ अंतर करना सीख लिया। यह मौजूदा उपकरणों की तुलना में एक महत्वपूर्ण सुधार है, जिन्हें समान प्रदर्शन के लिए अक्सर घंटों के लेबल किए गए डेटा की आवश्यकता होती है। जब टीम ने फल की मक्खियों पर इस प्रणाली का परीक्षण किया, तो चुनौती और भी बड़ी थी। कुछ आक्रामक व्यवहार, जैसे कि एक मक्खी का दूसरे पर झपटना, वीडियो के केवल एक फ्रेम तक सीमित होता है, जो लगभग 33 मिलीसेकंड है। अधिकांश कंप्यूटर सिस्टम इन्हें लंबे समय के दौरान होने वाली औसत गति के कारण पूरी तरह से मिस कर देते हैं। हालाँकि, B-REAL ने उच्च सटीकता के साथ इन क्षणिक हमलों का पता लगाया, और बहुत कम प्रशिक्षण डेटा दिए जाने पर भी अन्य विधियों से बेहतर प्रदर्शन किया। यह प्रणाली इन दुर्लभ घटनाओं की पहचान करने में सक्षम थी क्योंकि इसने पूर्व-निर्धारित शारीरिक लक्षणों के बजाय वीडियो के दृश्य पैटर्न से सीधे सीखा, जो इतनी तीव्र और सूक्ष्म गतिविधियों को पकड़ने में विफल हो सकते हैं।
शायद कंप्यूटर की शक्ति का सबसे सम्मोहक प्रदर्शन एक 'क्लोज्ड-लूप' प्रयोग था जहाँ कंप्यूटर एक शिक्षक के रूप में कार्य कर रहा था। शोधकर्ताओं ने एक ऐसी स्थिति बनाई जहाँ चूहों को मीठा पानी का इनाम तभी मिलता था जब कंप्यूटर यह पहचान लेता था कि वे अपने सिर को साफ (grooming) कर रहे हैं। सिस्टम को सफाई की पहचान करनी थी और वीडियो के एक अंश के भीतर ही पानी देने वाले यंत्र को सक्रिय करना था। क्योंकि पहचान इतनी तेज़ और सटीक थी, चूहों ने जल्दी ही संबंध को समझ लिया। प्रयोग के दौरान, चूहों द्वारा खुद को साफ करने की दर में 129 प्रतिशत की वृद्धि हुई। जानवरों ने केवल अधिक बार सफाई ही नहीं की; उन्होंने इनाम सुनिश्चित करने के लिए अपनी सफाई की अवधि को भी थोड़ा लंबा करके समायोजित किया। यह सिद्ध करता है कि यह प्रणाली केवल एक निष्क्रिय पर्यवेक्षक नहीं है बल्कि प्राकृतिक व्यवहार को आकार देने में एक सक्षम भागीदार है, जो वास्तविक समय में विशिष्ट क्रियाओं को सुदृढ़ करने में सक्षम है।
सिस्टम को और अधिक कुशल बनाने के लिए, शोधकर्ताओं ने एक तरीका खोजा जिससे कंप्यूटर को बिना अधिक लेबल किए गए डेटा के शुरुआत में मदद मिल सके। उन्होंने एक बड़े, प्री-ट्रेंड वीडियो मॉडल का उपयोग किया जिसने हजारों घंटों के अनलेबल वीडियो से गति की सामान्य अवधारणाओं को सीखा था। उन्होंने इस बड़े मॉडल के ज्ञान को छोटे, तेज़ सिस्टम में स्थानांतरित किया। 'डिस्टिलेशन' (distillation) के रूप में जानी जाने वाली इस प्रक्रिया ने सिस्टम को केवल 30 सेकंड के लेबल किए गए वीडियो से वह सीखने में मदद की, जिसे शून्य से सीखने में सामान्यतः पांच से दस मिनट लगते। उल्लेखनीय रूप से, इस प्री-ट्रेनिंग ने नए कैमरा कोणों, जैसे कि जानवर के नीचे से दिखने वाले दृश्य में व्यवहार पहचानने की क्षमता में सुधार किया, भले ही प्री-ट्रेनिंग डेटा में केवल ऊपर या बगल के दृश्य शामिल थे। यह सुझाव देता है कि सिस्टम ने गति की एक गहरी समझ विकसित की है जो विभिन्न सेटिंग्स में लागू होती है, जिससे यह भविष्य के प्रयोगों के लिए अत्यधिक अनुकूलनीय बन जाता है।
इस कार्य के निहितार्थ केवल गति और सटीकता तक ही सीमित नहीं हैं। शरीर के अंगों को ट्रैक करने की आवश्यकता को हटाकर, यह प्रणाली उन व्यवहारों का अवलोकन कर सकती है जिन्हें केवल मुद्रा (posture) से परिभाषित करना कठिन है, जैसे कि एक जानवर का किसी विशिष्ट वस्तु के साथ अंतःक्रिया करना या एक जटिल वातावरण में नेविगेट करना। यह उन प्रयोगों के द्वार खोलता है जहाँ कंप्यूटर वास्तविक समय में जानवर की स्थिति के प्रति प्रतिक्रिया दे सकता है, जिससे विषय और उसके वातावरण के बीच एक गतिशील लूप बनता है। हालाँकि वर्तमान अध्ययन चूहों और मक्खियों पर केंद्रित था, इसके सिद्धांत व्यापक रूप से किसी भी ऐसी स्थिति पर लागू होते हैं जहाँ वास्तविक समय में व्यवहार को समझना महत्वपूर्ण है। यह सिस्टम मानक हार्डवेयर पर चलता है, जिसका अर्थ है कि इसे संचालित करने के लिए महंगे सुपरकंप्यूटर की आवश्यकता नहीं है, जिससे उन्नत व्यवहार विश्लेषण प्रयोगशालाओं की एक विस्तृत श्रृंखला के लिए सुलभ हो जाता है। अंततः, B-REAL व्यवहार को अतीत के एक स्थिर रिकॉर्ड से बदलकर एक जीवंत संकेत में बदल देता है जिसका उपयोग वर्तमान क्षण में मस्तिष्क को निर्देशित करने और समझने के लिए किया जा सकता है।
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।