DeepGaitLab: Accurate and Flexible Markerless Motion Tracking Powered by Synthetic Data

समस्या विवरण
स्केलेबल और सटीक मानव गति ट्रैकिंग (human motion tracking), चाल संबंधी विकारों (gait pathologies) के निदान को आधुनिक बनाने, खेल प्रदर्शन को अनुकूलित करने और गति अनुसंधान को आगे बढ़ाने के लिए आवश्यक है। जबकि पारंपरिक मार्कर-आधारित मोशन कैप्चर सिस्टम उच्च सटीकता प्रदान करते हैं, वे समर्पित बुनियादी ढांचे, विशिष्ट कर्मियों और समय लेने वाली अंशांकन (calibration) प्रक्रियाओं पर निर्भर होने के कारण अनुसंधान प्रयोगशालाओं तक ही सीमित हैं। मार्करलेस विकल्प स्केलेबिलिटी का एक मार्ग प्रदान करते हैं, लेकिन वर्तमान में वे सटीकता और लचीलेपन के बीच एक समझौते (trade-off) का सामना कर रहे हैं। सिंगल-व्यू विधियाँ सुलभ तो हैं, लेकिन वे गहराई की अस्पष्टता (depth ambiguity) और अवरोध (occlusion) से ग्रस्त हैं, जो उनकी नैदानिक उपयोगिता को सीमित करती है। मौजूदा मल्टी-व्यू मार्करलेस सिस्टम या तो अतिरिक्त कैमरों के साथ सटीकता में सुधार करने में विफल रहते हैं (जैसे, OpenCap) या उनके लिए सघन कैमरा एरे और मालिकाना सॉफ्टवेयर की आवश्यकता होती है जो संसाधन-सीमित सेटिंग्स में तैनाती में बाधा डालता है (जैसे, Theia3D)। इसके अलावा, कई वर्तमान उपकरणों में गतिशीलता सीमाओं वाले व्यक्तियों के प्रति सामान्यीकरण (generalizability) का अभाव है, क्योंकि उन्हें अक्सर स्वस्थ आबादी के डेटा पर प्रशिक्षित किया जाता है।

कार्यप्रणाली (Methodology)
लेखक DeepGaitLab प्रस्तुत करते हैं, जो एक ओपन-सोर्स फ्रेमवर्क है जिसे बिना किसी इंटर-कैमरा स्थानिक अंशांकन (inter-camera spatial calibration) की आवश्यकता के, लचीली कैमरा कॉन्फ़िगरेशन (दो से दस कैमरों तक) के माध्यम से सटीक 3D किनेमैटिक्स प्रदान करने के लिए डिज़ाइन किया गया है। यह सिस्टम तीन-चरणीय वर्कफ़्लो के माध्यम से संचालित होता है:

1. 2D डेंस लैंडमार्क डिटेक्शन: मानक कंप्यूटर विज़न दृष्टिकोणों के विपरीत, जो स्पार्स जॉइंट सेंटर्स (sparse joint centers) का पता लगाते हैं, DeepG이트Lab सतह के लैंडमार्क्स (57 शारीरिक बिंदु) का उच्च घनत्व अनुमान लगाता है। यह एक ट्रांसफार्मर-आधारित नेटवर्क का उपयोग करके प्राप्त किया जाता है। मल्टी-व्यू लेबल वाले डेटा की कमी को दूर करने के लिए, मॉडल को BED_LAM डेटासेट से प्राप्त बड़े पैमाने पर सिंथेटिक डेटा पर प्रशिक्षित किया जाता है। यह डेटासेट 271 वास्तविक मानव शरीरों (AMASS डेटासेट से) का उपयोग करता है जो 9.3 घंटे की गति कर रहे हैं, जिन्हें गेम इंजन में फोटो-यथार्थवादी बनावट (textures) और विविध कपड़ों के साथ रेंडर किया गया है। नेटवर्क एक ट्रांसफर-लर्निंग रणनीति का उपयोग करता है, जिसमें एनकोडर को एक प्री-ट्रेंड स्पार्स कीपॉइंट डिटेक्टर (ViTPose) के वेट्स से इनिशियलाइज़ किया जाता है जो वास्तविक दुनिया की छवियों पर प्रशिक्षित है, और फिर सिंथेटिक डेटा पर इसे फाइन-ट्यून किया जाता है ताकि सामान्यीकरण सुनिश्चित हो सके।
2. 3D ट्रायंगुलेशन और कैलिब्रेशन: सिस्टम दो वर्कफ़्लो का समर्थन करता है: एक भौतिक चेकरबोर्ड अंशांकन के साथ सिंक्रोनाइज्ड वीडियो का उपयोग करता है, और दूसरा एक स्वचालित अंशांकन (automated calibration) मोड। बाद वाला मोड विषय (subject) को एक डायनेमिक कैलिब्रेशन ऑब्जेक्ट के रूप में मानता है, जो कैमरा एक्सट्रिंसिक्स (extrinsics) का अनुमान लगाने के लिए विभिन्न दृश्यों में पहचाने गए घने शारीरिक लैंडमार्क्स का उपयोग करके बंडल एडजस्टमेंट के माध्यम से काम करता है, जिससे भौतिक अंशांकन लक्ष्यों की आवश्यकता समाप्त हो जाती है।
3. बायोमैकेनिकल सिमुलेशन: ट्रायंगुलेटेड 3D वर्चुअल मार्कर्स को OpenSim का उपयोग करके प्रोसेस किया जाता है। सिस्टम एक जेनेरिक मस्कुलोस्केलेटल मॉडल को विषय के एंथ्रोपोमेट्री (anthropometry) के अनुसार स्केल करता है और इनवर्स किनेमैटिक्स तथा इनवर्स डायनेमिक्स (जॉइंट मोमेंट्स) की गणना करता है।

एक प्रमुख विशेषता एनवायरनमेंट-स्पेसिफिक फाइन-ट्यूनिंग है। फ्रेमवर्क एक विशिष्ट प्रयोगशाला की कैमरा ज्यामिति और बैकग्राउंड के अनुरूप सिंथेटिक ट्रेनिंग डेटा उत्पन्न कर सकता है, जिससे बिना नए मैनुअल एनोटेशन के मॉडल को एक विशिष्ट साइट के लिए फाइन-ट्यून करना संभव हो जाता है।

प्रमुख योगदान

• सिंथेटिक डेटा-संचालित प्रशिक्षण: बड़े पैमाने पर सिंथेटिक डेटा का लाभ उठाकर, DeepGaitLab वास्तविक मल्टी-व्यू डेटासेट के श्रम-साध्य एनोटेशन से बचता है और उच्च सटीकता एवं सामान्यीकरण प्राप्त करता है।
• डेंस लैंडमार्क रिप्रेजेंटेशन: स्पार्स जॉइंट सेंटर्स से डेंस सरफेस लैंडमार्क्स की ओर बदलाव घने ज्यामितीय प्रतिबंध (geometric constraints) प्रदान करता है जो सेगमेंट ओरिएंटेशन को अधिक सटीक रूप से हल करता है, जिससे स्पारस कीपॉइंट दृष्टिकोणों में निहित अस्पष्टता दूर होती है।
• लचीला और कैलिब्रेशन-मुक्त संचालन: फ्रेमवर्क केवल दो कैमरों के साथ भी प्रभावी ढंग से कार्य करता है और इसमें एक स्वचालित अंशांकन सुविधा शामिल है जो समय लेने वाले मैनुअल कैलिब्रेशन की बाधा को हटा देती है।
• पैथोलॉजी के प्रति मजबूती: सिस्टम विविध आबादी, जिनमें गतिशीलता की सीमाएं वाले लोग भी शामिल हैं, के बीच निरंतर सटीकता बनाए रखता है, जहाँ अन्य उपकरण अक्सर खराब प्रदर्शन करते हैं।

परिणाम
लेखकों ने 80 व्यक्तियों पर चार समूहों में DeepGaitLab का मूल्यांकन किया: स्वस्थ वयस्क, एंटीरियर क्रूसिएट लिगामेंट रिकंस्ट्रक्शन (ACLR) से उबर रहे व्यक्ति, स्ट्रोक सर्वाइवर्स, और हल्के संज्ञानात्मक दोष (MCI) वाले व्यक्ति।

• स्टेट-ऑफ-द-आर्ट के साथ सटीकता: स्वस्थ वयस्कों में, DeepGaitLab ने लगातार OpenCap और Theia3D को पछाड़ दिया। दो-कैमरा सेटअप में, इसने मार्कर-आधारित संदर्भों की तुलना में OpenCap (4.2° बनाम 5.9°) की तुलना में काफी कम रूट मीन स्क्वायर डिफरेंस (RMSD) दिखाया।
• कैमरा काउंट के साथ स्केलेबिलिटी: OpenCap के विपरीत, जिसकी सटीकता दो से दस कैमरों तक बढ़ने पर स्थिर (plateau) हो गई, DeepGaitLab ने कैमरा घनत्व बढ़ने के साथ निरंतर सुधार (monotonic improvement) प्रदर्शित किया।
• पैथोलॉजी के प्रति सामान्यीकरण: DeepGaitLab ने ACLR रोगियों में निरंतर प्रदर्शन बनाए रखा, स्वस्थ और प्रभावित समूहों के बीच सटीकता में कोई महत्वपूर्ण अंतर नहीं दिखाया। इसके विपरीत, OpenCap और Theia3D ने ACLR समूह में काफी अधिक त्रुटियां दिखाईं। DeepGaitLab ने उन क्लिनिकली प्रासंगिक इंटरलिम्ब एसिमेट्रीज़ (interlimb asymmetries) को सफलतापूर्वक पकड़ा जो अन्य उपकरण मिस कर गए थे।
• स्पैटियोटेम्पोरल मेट्रिक्स: MCI और स्ट्रोक के रोगियों में, DeepGaitLab ने केवल दो कैमरों का उपयोग करते हुए, Theia3D (जिसने आठ कैमरों का उपयोग किया था) के बराबर स्टेप-लेंथ एसिमेट्री एग्रीमेंट प्राप्त किया।
• इनवर्स डायनेमिक्स: DeepGaitLab ने दो-कैमरा सेटअप में, विशेष रूप से नॉन-सैजिटल मूवमेंट्स के दौरान, जॉइंट मोमेंट अनुमान में OpenCap की तुलना में कम रिलेटिव RMSD दिया।
• फीचर वैलिडेशन: स्वचालित अंशांकन फीचर ने मैनुअल चेकरबोर्ड अंशांकन के समान प्रदर्शन किया। एनवायरनमेंट-स्पेसिफिक फाइन-ट्यूनिंग ने ओवरग्राउंड वॉकिंग टास्क के लिए मामूली लेकिन सांख्यिकीय रूप से महत्वपूर्ण सुधार प्रदान किया, विशेष रूप से घुटने और टखने के किनेमैटिक्स के लिए।

महत्व
यह पेपर DeepGaitLab को एक व्यावहारिक, स्केलेबल प्लेटफॉर्म के रूप में स्थापित करता है जो रिसर्च-ग्रेड बायोमैकेनिक्स और क्लिनिकल डिप्लॉयमेंट के बीच के अंतर को पाटता है। यह प्रदर्शित करके कि उपभोक्ता-ग्रेड RGB कैमरों और सिंथेटिक सुपरविजन के साथ रिसर्च-क्वालिटी मोशन एनालिसिस प्राप्त किया जा सकता है, यह फ्रेमवर्क क्वांटिटेटिव गेट एनालिसिस तक पहुंच को लोकतांत्रिक बनाता है। लेखक सुझाव देते हैं कि जबकि मार्कर-आधारित सिस्टम लंबे समय से "गोल्ड स्टैंडर्ड" रहे हैं, विजन-आधारित तरीकों की क्षमता (एक बार जब नए, उच्च-फिडेलिटी संदर्भ जैसे बाईप्लेन रेडियोग्राफी को अपनाया जाता है) इन सीमाओं के करीब पहुंचने या संभावित रूप से उन्हें पार करने की है, जो क्लिनिकल मूल्यांकन मेट्रिक्स को फिर से परिभाषित कर सकती है। DeepGगतLab एक पारदर्शी, ओपन-सोर्स विकल्प प्रदान करता है, जो सटीकता, स्केलेबिलिटी या लचीलेपन के उन समझौतों के बिना क्लिनिकों और प्रयोगशालाओं में व्यापक उपयोग को सक्षम बनाता है जिन्होंने पिछले उपकरणों को सीमित किया है।