Adaptive Margin Based Metric Learning for Unbalanced Point Cloud Classification and Retrieval

त्रि-आयामी दृष्टि की दुनिया में, कंप्यूटर भौतिक दुनिया को केवल सपाट चित्रों के रूप में नहीं, बल्कि अंतरिक्ष में बिंदुओं के संग्रह के रूप में देखना सीख रहे हैं। आधुनिक सेंसर, जैसे कि स्वायत्त कारों या वर्चुअल रियलिटी हेडसेट्स में उपयोग किए जाने वाले सेंसर, इसी तरह वस्तुओं को कैप्चर करते हैं: सतहों और आकृतियों का मानचित्र बनाने वाले डॉट्स के बादलों (clouds of dots) के रूप में। एक कंप्यूटर यह समझने के लिए कि वह क्या देख रहा है, इन बादलों को श्रेणियों में वर्गीकृत करना चाहिए, जैसे कि एक कुर्सी को मेज से अलग पहचानना, और फिर एक विशाल डेटाबेस के भीतर समान वस्तुओं को खोजना चाहिए। यह प्रक्रिया, जिसे वर्गीकरण (classification) और पुनर्प्राप्ति (retrieval) कहा जाता है, काफी हद तक डीप लर्निंग पर निर्भर करती है, जो एक प्रकार की कृत्रिम बुद्धिमत्ता (AI) है जो उदाहरणों से सीखती है। हालाँकि, एक निरंतर समस्या ने इन प्रणालियों को परेशान किया है: जिस डेटा से वे सीखते हैं, वह शायद ही कभी निष्पक्ष होता है। वास्तविक दुनिया में, वस्तुओं की कुछ श्रेणियाँ प्रशिक्षण डेटा में प्रचुर मात्रा में होती हैं, जबकि अन्य दुर्लभ होती हैं। जब एक कंप्यूटर को ऐसे असंतुलित आहार पर प्रशिक्षित किया जाता है, तो वह सामान्य वस्तुओं को पहचानने में तो उत्कृष्ट हो जाता है, लेकिन दुर्लभ वस्तुओं के साथ संघर्ष करता है, और अक्सर उनके बीच अंतर करने में या उन्हें खोजने में विफल रहता है।

गुइलिन यूनिवर्सिटी ऑफ इलेक्ट्रॉनिक टेक्नोलॉजी और शियानियन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने 3D ऑब्जेक्ट रिकग्निशन की इस विशिष्ट असंतुलन की समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। उनका कार्य कंप्यूटर को यह सिखाने पर केंद्रित है कि वह प्रत्येक श्रेणी को उचित मात्रा में ध्यान दे, चाहे उसने कितने भी उदाहरण देखे हों। एक मानक पद्धति का उपयोग करने के बजाय जो वस्तुओं के प्रत्येक समूह पर समान नियम लागू करती है, उन्होंने एक ऐसी प्रणाली बनाई जो किसी विशिष्ट वस्तु प्रकार के सामान्य या दुर्लभ होने के आधार पर अपनी सीखने की रणनीति को स्वचालित रूप से समायोजित करती है। ऐसा करके, कंप्यूटर दुर्लभ वर्गों पर अतिरिक्त ध्यान देना सीखता है, जिससे यह सुनिश्चित होता है कि वह एक दुर्लभ प्रकार की कुर्सी को उतनी ही अच्छी तरह पहचान सके जितनी कि एक सामान्य कुर्सी को। परिणाम एक ऐसी प्रणाली है जो न केवल 3D आकृतियों को अधिक सटीकता से पहचानती है, बल्कि बहुत उच्च परिशुद्धता के साथ उन्हें डेटाबेस से पुनर्प्राप्त भी करती है, और वह भी बहुत कम कंप्यूटिंग शक्ति का उपयोग करके।

इस नई पद्धति का मूल आधार यह है कि कंप्यूटर विभिन्न आकृतों के बीच की दूरी को कैसे मापता है। पारंपरिक प्रणालियों में, कंप्यूटर एक निश्चित नियम का उपयोग करके विभिन्न श्रेणियों को एक-दूसरे से दूर धकेलता है और समान वस्तुओं को करीब लाता है, ठीक वैसे ही जैसे एक शिक्षक प्रत्येक छात्र पर एक ही ग्रेडिंग कर्व लागू करता है। शोधकर्ताओं ने पाया कि यह निश्चित दृष्टिकोण तब विफल हो जाता है जब कुछ "छात्रों" (वस्तु श्रेणियों) के पास अध्ययन करने के लिए बहुत कम उदाहरण होते हैं। इसे ठीक करने के लिए, उन्होंने एक 'एडेप्टिव मार्जिन' (adaptive margin) पेश किया, जो एक लचीला नियम है जो प्रत्येक श्रेणी के लिए सीखने के कार्य की कठिनाई को बदल देता है। बहुत कम नमूनों वाली श्रेणी के लिए, सिस्टम एक बड़ा मार्जिन निर्धारित करता है ताकि उस दुर्लभ वस्तु और बाकी सब के बीच स्पष्ट अलगाव सुनिश्चित हो सके। हजारों नमूनों वाली श्रेणी के लिए, मार्जिन छोटा रखा जाता है, जिससे कंप्यूटर उन कई उदाहरणों को मजबूती से समूहित करने पर ध्यान केंद्रित कर सके। यह गतिशील समायोजन यह सुनिश्चित करता है कि कंप्यूटर दुर्लभ वस्तुओं को केवल इसलिए अनदेखा न करे क्योंकि वे प्रशिक्षण डेटा में कम बार दिखाई देती हैं।

कंप्यूटर के इन आकृतों को समझने के तरीके को और बेहतर बनाने के लिए, शोधकर्ताओं ने न्यूरल नेटवर्क में दो नए संरचनात्मक घटक जोड़े। पहला, उन्होंने कंप्यूटर के लिए एक ऐसा तरीका डिज़ाइन किया जिससे वह एक ही समय में विवरण के विभिन्न स्तरों पर वस्तु की विशेषताओं को देख सके, जिसमें व्यापक आकृतियों को सूक्ष्म सतह बनावट (fine surface textures) के साथ जोड़ा गया हो। यह वैसा ही है जैसे एक मनुष्य एक कुर्सी को देखते समय उसके समग्र सिल्हूट (silhouette) और पैर के विशिष्ट घुमाव दोनों को एक साथ नोटिस करता है, न कि केवल एक या दूसरे को। दूसरा, उन्होंने पॉइंट क्लाउड्स को सीखने से पहले संरेखित (align) करने के लिए एक हल्का मॉड्यूल बनाया। चूंकि 3D वस्तुएं किसी भी दिशा में घूम सकती हैं या झुकी हो सकती हैं, यह मॉड्यूल डेटा को एक मानक, सीधी स्थिति में घुमाता है, जिससे सिस्टम के लिए वस्तु को पहचानना बहुत आसान हो जाता है, चाहे उसे मूल रूप से कैसे भी स्कैन किया गया हो। यह संरेखण चरण महत्वपूर्ण है क्योंकि यह यादृच्छिक कोणों के कारण होने वाले भ्रम को दूर करता है, जिससे कंप्यूटर पूरी तरह से आकार पर ध्यान केंद्रित कर पाता है।

शोधकर्ताओं ने अपने तरीके का परीक्षण दो बड़े, प्रसिद्ध डेटासेट्स पर किया जिसमें साधारण घरेलू वस्तुओं से लेकर जटिल यांत्रिक पुर्जों तक हजारों 3D मॉडल शामिल थे। पहले परीक्षण में, जिसमें चालीस अलग-अलग श्रेणियों वाला डेटासेट था, उनकी प्रणाली ने 93.7 प्रतिशत की वर्गीकरण सटीकता प्राप्त की, जो पॉइंट क्लाउड्स का उपयोग करने वाले मौजूदा सर्वोत्तम तरीकों से थोड़ा बेहतर है। इससे भी महत्वपूर्ण बात यह है कि, डेटाबेस से समान वस्तुओं को खोजने के लिए पूछे जाने पर, उनकी प्रणाली ने 92.3 प्रतिशत का प्रदर्शन स्कोर प्राप्त किया, जो किसी भी अन्य पॉइंट-क्लाउड-आधारित विधि से काफी अधिक था और यहाँ तक कि उन प्रणालियों से भी बेहतर था जो वस्तु को विभिन्न कोणों से देखने के लिए कई कैमरों का उपयोग करती हैं। दूसरे, अधिक चुनौतीपूर्ण परीक्षण में, जिसमें पचास-पाँच श्रेणियों वाला एक डेटासेट शामिल था जहाँ वस्तुओं को यादृच्छिक रूप से घुमाया गया था, उनके तरीके ने पुनः पुनर्प्राप्ति गुणवत्ता (retrieval quality) में बढ़त हासिल की, जिससे सिद्ध हुआ कि वह सही वस्तु को खोज सकता है भले ही आकार अप्रत्याशित तरीकों से मुड़ा हुआ हो।

इस उपलब्धि को विशेष रूप से उल्लेखनीय बनाने वाली चीज़ इस प्रणाली की दक्षता है। जबकि अन्य उच्च-प्रदर्शन करने वाली विधियों के लिए अक्सर भारी मात्रा में कंप्यूटिंग शक्ति या कई कैमरों वाले जटिल सेटअप की आवश्यकता होती है, यह नया दृष्टिकोण बिंदुओं के एक एकल सेट के साथ काम करता है और प्रसंस्करण संसाधनों के एक अंश का उपयोग करता है। संपूर्ण प्रणाली को आधे मिलियन से भी कम पैरामीटर (प्रणाली की जटिलता का एक माप) की आवश्यकता होती है, और यह मानक कंप्यूटर हार्डवेयर पर तेजी से चलती है। इसका अर्थ है कि इस तकनीक को वास्तविक दुनिया के अनुप्रयोगों, जैसे कि रोबोट या मोबाइल उपकरणों पर तैनात किया जा सकता है, जहाँ गति और कम बिजली की खपत आवश्यक है। शोधकर्ताओं ने प्रदर्शित किया है कि केवल यह बदलकर कि कंप्यूटर असंतुलित डेटा से कैसे सीखता है और अपने आंतरिक फीचर्स को अधिक प्रभावी ढंग से व्यवस्थित करके, एक ऐसा 3D विजन सिस्टम बनाया जा सकता है जो अत्यधिक सटीक और अविश्वसनीय रूप से कुशल है।

अध्ययन यह निष्कर्ष निकालता है कि बेहतर 3D रिकग्निशन की कुंजी केवल अधिक डेटा होना नहीं है, बल्कि उपलब्ध डेटा का अधिक स्मार्ट तरीके से उपयोग करना है। प्रत्येक वस्तु श्रेणी की विशिष्ट आवश्यकताओं के अनुसार सीखने के नियमों को अनुकूलित करके और यह परिष्कृत करके कि कंप्यूटर स्थानिक जानकारी (spatial information) को कैसे संसाधित करता है, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो असंतुलित डेटासेट्स की जटिल वास्तविकता को सहजता से संभालता है। उनका कार्य सुझाव देता है कि 3D ऑब्जेक्ट रिकग्निशन का भविष्य इन अनुकूलन योग्य, कुशल प्रणालियों में निहित है जो दुनिया को उसके वास्तविक स्वरूप के साथ, उसकी सभी विविधताओं और असंतुलनों के साथ, सीखने में सक्षम हैं, न कि दुनिया को एक कठोर, आदर्श मॉडल में फिट करने के प्रयास में।