An Improved EfficientNet-B0 Model for Facial Emotion Recognition
यह अध्ययन प्रदर्शित करता है कि एक अनुकूलित (optimized) EfficientNet-B0 मॉडल, बड़े EfficientNet वेरिएंट्स की तुलना में चेहरे के भावों की पहचान (facial emotion recognition) के प्रदर्शन और कम्प्यूटेशनल दक्षता के बीच एक बेहतर संतुलन प्राप्त करता है, जो FER2013 और RAF-DB के संयुक्त डेटासेट पर 78.68% सटीकता प्राप्त करते हुए काफी कम पैरामीटर्स और कम इन्फरेंस समय की आवश्यकता रखता 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 लंबे समय से चेहरों को पहचानने में सक्षम रहे हैं, जो आंखों के बीच की दूरी या जबड़े के आकार को मैप करके यह पहचानते हैं कि व्यक्ति कौन है। लेकिन किसी मशीन को यह समझने के लिए प्रशिक्षित करना कि कोई व्यक्ति कैसा महसूस कर रहा है, एक अलग और अधिक सूक्ष्म चुनौती है। यह क्षेत्र, जिसे 'फेशियल इमोशन रिकग्निशन' (चेहरे के भावों की पहचान) कहा जाता है, सॉफ्टवेयर से एक स्थिर छवि को देखने और यह तय करने के लिए कहता है कि विषय खुश है, दुखी है, क्रोधित है, आश्चर्यचकित है, या तटस्थ है। यह कार्य मुंह और आंखों के आसपास मांसपेशियों की सूक्ष्म हलचल का पता लगाने पर निर्भर करता है, ऐसी हलचलें जो प्रकाश की एक चमक की तरह क्षणभंगुर हो सकती हैं। हालांकि यह तकनीक कंप्यूटर को मानवीय आवश्यकताओं के प्रति अधिक उत्तरदायी बनाने का वादा करती है—जैसे ड्राइवरों को सतर्क रहने में मदद करना, शिक्षकों को छात्रों की सहभागिता में सहायता करना, या स्वास्थ्य कर्मियों की मदद करना—लेकिन इसे एक निरंतर समस्या का सामना करना पड़ा है: इन प्रणालियों को सिखाने के लिए उपयोग किया जाने वाला डेटा अक्सर अव्यवठित होता है। वास्तविक दुनिया की तस्वीरें रोशनी और कोण के मामले में बहुत भिन्न होती हैं, और मनुष्यों द्वारा उन्हें दिए गए लेबल अक्सर असंगत होते हैं। इसके अलावा, शोधकर्ता लंबे समय से इस बात पर बहस कर रहे हैं कि क्या केवल कंप्यूटर के "मस्तिष्क" को बड़ा और अधिक जटिल बनाना वास्तव में बेहतर परिणाम देता है, या क्या यह बिना किसी वास्तविक मूल्य के जोड़े केवल ऊर्जा और समय की बर्बादी है।
नाइजीरिया के यूनिवर्सिटी ऑफ पोर्ट हारकोर्ट के शोधकर्ताओं की एक टीम ने इस बहस को सुलझाने और पर्दे के पीछे के डेटा को साफ करने का निर्णय लिया। उन्होंने एक विशिष्ट प्रकार के कंप्यूटर आर्किटेक्चर पर ध्यान केंद्रित किया जिसे 'एफिशिएंटनेट' (EfficientNet) कहा जाता है, जिसे छवियों से सीखने में कुशल होने के लिए डिज़ाइन किया गया है। उन्होंने इस प्रणाली के तीन संस्करणों का परीक्षण करने का विकल्प चुना: एक छोटा, हल्का मॉडल जिसे B0 कहा जाता है, और दो बड़े, अधिक जटिल संस्करण जिन्हें B1 और B2 कहा जाता है। लक्ष्य केवल एक ऐसा सिस्टम बनाना नहीं था जो काम करे, बल्कि यह पता लगाना था कि क्या बड़े मॉडल वास्तव में अतिरिक्त लागत के लायक हैं। इसे करने के लिए, शोधकर्ताओं को पहले आधार को ठीक करना था। उन्होंने दो प्रमुख सार्वजनिक संग्रहों से हजारों छवियां एकत्र कीं, जिनमें से एक में इंटरनेट पर पाई जाने वाली तस्वीरें थीं और दूसरी में वास्तविक दुनिया के परिवेश में ली गई चेहरों की तस्वीरें थीं। इसके बाद उन्होंने एक कठोर सफाई प्रक्रिया की, जिसमें हजारों डुप्लिकेट छवियों को हटाया गया और उन फाइलों को त्याग दिया गया जहां भावनात्मक लेबल गलत या अस्पष्ट लग रहा था। वे 25,000 छवियों के एक पूरी तरह से संतुलित सेट के साथ समाप्त हुए, जिसमें प्रत्येक पांच लक्षित भावनाओं के लिए ठीक 5,000 उदाहरण थे: खुशी, दुख, क्रोध, आश्चर्य और तटस्थता। इस सावधानीपूर्वक तैयारी ने यह सुनिश्चित किया कि कंप्यूटर दोहराई गई प्रतियों को याद करने के बजाय अद्वितीय उदाहरणों से सीख रहा है।
शोधकर्ताओं ने फिर 'ट्रांसफर लर्निंग' नामक तकनीक का उपयोग करते हुए अपने तीनों मॉडलों को इस स्वच्छ डेटा पर प्रशिक्षित किया, जो कंप्यूटर को वह ज्ञान प्राप्त करने की अनुमति देता है जो उसने बिल्लियों और कारों जैसी सामान्य वस्तुओं को पहचानने से पहले ही हासिल कर लिया था, और फिर उस ज्ञान को मानवीय भावों को पहचानने के लिए अनुकूलित करता है। उन्होंने मॉडलों को दो चरणों में प्रशिक्षित किया, पहले सिस्टम के नए हिस्सों को सिखाया और फिर पूरे नेटवर्क को फाइन-ट्यून किया। परिणामों ने दक्षता के मामले में एक स्पष्ट विजेता का खुलासा किया। सबसे छोटे मॉडल, एफिशिएंटनेट-B0 ने उन छवियों पर लगभग 79 प्रतिशत की सटीकता प्राप्त की जिन्हें उसने पहले कभी नहीं देखा था। इसने हर 100 परीक्षण मामलों में से लगभग 79 मामलों में भावना की सही पहचान की। बड़ा मॉडल, एफिशिएंटनेट-B1, थोड़ा बेहतर प्रदर्शन करते हुए 80 प्रतिशत से कुछ कम सटीकता तक पहुँच गया, लेकिन अंतर इतना कम था कि सांख्यिकीय परीक्षणों ने दिखाया कि यह एक सार्थक सुधार नहीं था। सबसे बड़ा मॉडल, एफिशिएंटनेट-B2, वास्तव में खराब प्रदर्शन कर गया, जिसका स्कोर लगभग 75 प्रतिशत था, मुख्य रूप से इसलिए क्योंकि प्रयोग के दौरान इसे पूरी तरह से सीखने के लिए पर्याप्त समय नहीं दिया गया था।
इन अंतरों का वास्तविक महत्व लागत में निहित है। बड़े मॉडलों को चलाने के लिए काफी अधिक कंप्यूटिंग शक्ति और समय की आवश्यकता थी। छोटा मॉडल एक एकल छवि का विश्लेषण लगभग 8.5 मिलीसेकंड में कर सकता था, जबकि बड़े मॉडल्स को उसी कार्य के लिए लगभग 12.5 मिलीसेकंड लगे। व्यावहारिक शब्दों में, इसका मतलब है कि छोटा मॉडल लगभग 30 प्रतिशत तेज़ है और काम करने के लिए लगभग 37 प्रतिशत कम आंतरिक सेटिंग्स, या पैरामीटर्स, का उपयोग करता है। शोधकर्ताओं ने निष्कर्ष निकाला कि पांच बुनियादी भावनाओं को पहचानने के इस विशिष्ट कार्य के लिए, बड़े बैकबोन अतिरिक्त सटीकता प्रदान करने के लिए पर्याप्त नहीं हैं जो उनकी उच्च लागत को उचित ठहरा सके। छोटे मॉडल ने सबसे अच्छा संतुलन प्रदान किया, जो भारी कम्प्यूटेशनल बोझ के बिना उच्च प्रदर्शन प्रदान करता है।
इस सफलता के बावजूद, अध्ययन ने यह भी उजागर किया कि तकनीक कहाँ संघर्ष करती है। कंप्यूटर खुशी और आश्चर्य जैसे भावों को पहचानने में असाधारण रूप से अच्छा था, जिनमें चेहरे की स्पष्ट और बड़ी हलचल शामिल होती है। हालांकि, इसने अक्सर उदासी को तटस्थ अभिव्यक्ति के साथ भ्रमित किया। जब कोई व्यक्ति वास्तव में दुखी होता था, तो मॉडल कभी-कभी उन्हें तटस्थ लेबल कर देता था, और जब वे तटस्थ होते थे, तो यह कभी-कभी उदासी का अनुमान लगा लेता था। यह सुझाव देता है कि सिस्टम के लिए एक ऐसे चेहरे के बीच अंतर करना कठिन है जो बस शांत बैठा है और एक ऐसे चेहरे के बीच जो कम तीव्रता वाली नकारात्मक भावना को ढो रहा है। इस भ्रम के बावजूद, सिस्टम को एक कार्यात्मक वेब एप्लिकेशन के रूप में सफलतापूर्वक तैनात किया गया था। उपयोगकर्ता फोटो अपलोड कर सकते हैं या वेबकैम का उपयोग कर सकते हैं, और सिस्टम तुरंत अनुमानित भावना के साथ एक आत्मविश्वास स्कोर (confidence score) वापस करता है। बटन क्लिक करने से लेकर परिणाम देखने तक की पूरी प्रक्रिया केवल कुछ सेकंड लेती है, जबकि वास्तविक कंप्यूटर विश्लेषण एक मिलीसेकंड के अंश में होता है।
यह कार्य यह प्रदर्शित करता है कि स्मार्ट आर्टिफिशियल इंटेलिजेंस बनाने की दौड़ में, बड़ा होना हमेशा बेहतर नहीं होता है। डेटा को सावधानीपूर्वक साफ करके और एक ही तकनीक के विभिन्न आकारों की तुलना करके, शोधकर्ताओं ने दिखाया कि एक छोटा, अधिक कुशल मॉडल अक्सर अपने बड़े समकक्षों से बेहतर प्रदर्शन कर सकता है जब कार्य अच्छी तरह से परिभाषित हो। उन्होंने साबित किया कि बुनियादी मानवीय भावनाओं को पहचानने के लिए, एक सुव्यवस्थित दृष्टिकोण न केवल तेज़ और सस्ता है, बल्कि उतना ही सटीक भी है। यह अध्ययन भविष्य के सुधारों के लिए द्वार खुला छोड़ता है, जैसे कि सिस्टम को डर और घृणा को पहचानना सिखाना, या इसे वीडियो में भावनाएं कैसे बदलती हैं यह समझने में मदद करना, लेकिन फिलहाल, यह वास्तविक समय में भावना का पता लगाने के लिए एक स्पष्ट, कुशल मार्ग स्थापित करता 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।