Human action recognition based on cascade graph convolutional network

एक कंप्यूटर मानव क्रिया को कैसे पहचान सकता है, इसे समझने के लिए, सबसे पहले यह समझना आवश्यक है कि वह एक व्यक्ति को कैसे देखता है। पारंपरिक वीडियो विश्लेषण अक्सर दृश्य के रंगों और आकृतियों पर निर्भर करता है, जो कपड़ों या पृष्ठभूमि के आधार पर किसी व्यक्ति की पहचान करने की कोशिश करता है। यह दृष्टिकोण नाजुक है; प्रकाश में बदलाव या भीड़भाड़ वाला माहौल मशीन को भ्रमित कर सकता है। एक अधिक सुदृढ़ तरीका स्वयं कंकाल (skeleton) पर ध्यान केंद्रित करता है, जो कंधों, कोहनियों और घुटनों जैसे जोड़ों की स्थिति द्वारा परिभाषित शरीर का एक कंकाल मानचित्र है। समय के साथ इन बिंदुओं को ट्रैक करके, एक कंप्यूटर वातावरण के विकर्षणों को अनदेखा कर सकता है और पूरी तरह से गति पर ध्यान केंद्रित कर सकता है। यह कंकाल-आधारित क्रिया पहचान (skeleton-based action recognition) का आधार है, जो एक ऐसे क्षेत्र में विकसित हुआ है जो सरल नियम-पालन से जटिल शिक्षण प्रणालियों तक पहुँच गया है। इनमें से, ग्राफ कन्वोल्यूशनल नेटवर्क नामक एक प्रकार का कृत्रिम बुद्धिमत्ता मानक उपकरण बन गया है। यह मानव शरीर को एक जुड़े हुए ग्राफ के रूप में मानता है, जहाँ जोड़ 'नोड्स' हैं और उन्हें जोड़ने वाली हड्डियाँ 'एजेस' (edges) हैं, जिससे कंप्यूटर यह सीख पाता है कि शरीर के एक हिस्से की गति दूसरे हिस्से को कैसे प्रभावित करती है।

इन प्रगति के बावजूद, एक महत्वपूर्ण बाधा बनी हुई है। अधिकांश मौजूदा प्रणालियाँ प्रत्येक गति के साथ ऐसा व्यवहार करती हैं जैसे कि उसे समझने के लिए पूरे शरीर के विस्तृत मानचित्र की आवश्यकता हो। वे कंप्यूटर को हर एक क्रिया के लिए—चाहे वह एक साधारण हाथ हिलाना हो या एक जटिल कूदना—पंद्रह जोड़ों को प्रोसेस करने के लिए मजबूर करते हैं। यह गणनात्मक रूप से महंगा और धीमा है, ठीक वैसे ही जैसे किसी एक शब्द को खोजने के लिए पूरी विश्वकोश पढ़ने की कोशिश करना। इसके अलावा, ये प्रणालियाँ अक्सर कनेक्शन के एक निश्चित मानचित्र पर निर्भर करती हैं, यह मानकर कि केवल शारीरिक रूप से जुड़े जोड़ ही एक-दूसरे को प्रभावित कर सकते हैं। यह जटिल गतियों के दौरान होने वाले सूक्ष्म, गैर-भौतिक संबंधों की अनदेखी करता है, जैसे कि कैसे एक हाथ कदम उठाने की प्रत्याशा में हिलता है, या कैसे धड़ (torso) एक पहुँचते हुए हाथ को स्थिर करता है। इसका परिणाम एक ऐसी प्रणाली है जो या तो वास्तविक समय (real-time) के उपयोग के लिए बहुत धीमी है या सूक्ष्म मानवीय व्यवहार को पकड़ने के लिए बहुत कठोर है।

जियांग्शी यूनिवर्सिटी ऑफ चाइनीज मेडिसिन और नानचांग यूनिवर्सिटी के शोधकर्ताओं ने गति और सटीकता की इन दोहरी समस्याओं को हल करने के लिए एक नया दृष्टिकोण प्रस्तावित किया है। उन्होंने 'कैस्केड ग्राफ कन्वोल्यूशनल नेटवर्क' नामक एक प्रणाली विकसित की है। इस प्रणाली को पूरे शरीर का विश्लेषण करने के लिए मजबूर करने के बजाय, यह चरणों में कार्य करती है, ठीक वैसे ही जैसे एक सुरक्षा चेकपोस्ट जो जोखिम के आधार पर लोगों को फिल्टर करता है। यह प्रक्रिया शरीर के एक बहुत ही सरल दृश्य के साथ शुरू होती है, जिसमें केवल पाँच प्रमुख जोड़ों का उपयोग किया जाता है: सिर और चार अंगों के मुख्य जोड़। यदि कंप्यूटर इस विरल (sparse) जानकारी के आधार पर अपने अनुमान में पर्याप्त आश्वस्त है, तो वह वहीं रुक जाता है और क्रिया की पहचान घोषित कर देता है। केवल तभी जब गति अस्पष्ट या जटिल होती है, सिस्टम अगले चरण में आगे बढ़ता है, विश्लेषण में अधिक जोड़ जोड़ता है—पहले दस तक, और अंत में पंद्रह जोड़ों के पूर्ण सेट तक। यह चरणबद्ध परिशोधन (stepwise refinement) यह सुनिश्चित करता है कि खड़े होने या चलने जैसी सरल क्रियाओं को न्यूनतम डेटा के साथ लगभग तुरंत पहचाना जा सके, जबकि केवल कठिन और सूक्ष्म गतियों के लिए ही पूर्ण कंकाल की पूरी कम्प्यूटेशनल शक्ति की आवश्यकता होती है।

इस प्रणाली को और भी सटीक बनाने के लिए, शोधकर्ताओं ने यह भी बदला कि कंप्यूटर जोड़ों के बीच के कनेक्शन को कैसे समझता है। पारंपरिक तरीके शरीर रचना विज्ञान (anatomy) पर आधारित एक स्थिर मानचित्र का उपयोग करते हैं, जहाँ एक हाथ केवल कोहनी से जुड़ा होता है। हालाँकि, नई प्रणाली एक गतिशील मानचित्र सीखती है जो स्वयं गति के आधार पर बदलता है। यह गणना करती है कि समय के साथ शरीर के विभिन्न भाग एक-दूसरे के संबंध में कैसे चलते हैं, और उन छिपे हुए संबंधों की पहचान करती है जो शारीरिक रूप से जुड़े नहीं हैं लेकिन कार्यात्मक रूप से जुड़े हुए हैं। उदाहरण के लिए, यह पता लगा सकती है कि घुटने की गति की गति (speed) कलाई के त्वरण (acceleration) के साथ सह-संबंधित है, भले ही वे शरीर पर दूर हों। इस गतिशील समझ को एक समृद्ध डेटा सेट के साथ जोड़कर, जिसमें न केवल यह शामिल है कि जोड़ कहाँ हैं, बल्कि वे कितनी तेजी से चल रहे हैं और उनमें कितना त्वरण है, यह प्रणाली क्रिया की कहीं अधिक गहरी समझ प्राप्त करती है।

टीम ने रोजमर्रा की गतिविधियों के एक नए संग्रह सहित तीन अलग-अलग डेटा सेट पर इस नई पद्धति का परीक्षण किया। परिणामों ने दिखाया कि यह प्रणाली उच्च सटीकता के साथ क्रियाओं की पहचान कर सकती है और पिछले तरीकों की तुलना में काफी तेज है। UT-3D डेटासेट पर, इस नए दृष्टिकोण ने 97.50% की सटीकता प्राप्त की, जिसने एक नया 'स्टेट-ऑफ-द-आर्ट' बेंचमार्क स्थापित किया और दूसरे सर्वश्रेष्ठ तरीके से 5.00 प्रतिशत अंक अधिक प्रदर्शन किया। फ्लोरेंस-3D (Florence-3D) डेटासेट पर, इसने 93.48% की सटीकता प्राप्त की, जो एक बहुत ही धीमी और अधिक जटिल प्रणाली के बाद दूसरे स्थान पर रही। महत्वपूर्ण रूप से, नया तरीका नाटकीय रूप से अधिक कुशल था। जहाँ अन्य प्रणालियों को एक एकल क्रिया को प्रोसेस करने में सैकड़ों मिलीसेकंड लगते थे, वहीं यह कैस्केड सिस्टम अक्सर 16 मिलीसेकंड से भी कम समय में पूरा हो जाता था। गति और सटीकता के समग्र संतुलन का मूल्यांकन करते समय, नए तरीके ने लगभग पूर्ण अंक प्राप्त किए, जबकि धीमी और अधिक सटीक प्रणालियों ने काफी कम अंक प्राप्त किए।

शोधकर्ता स्वीकार करते हैं कि उनकी प्रणाली की अपनी सीमाएँ भी हैं। जब शरीर के हिस्से दृष्टि से ओझल होते हैं या जब फ्रेम में कई लोग एक-दूसरे के ऊपर आते हैं, तो यह संघर्ष करती है क्योंकि कंकाल मानचित्र अधूरा हो जाता है। यह नियंत्रित वातावरण में एकत्र किए गए डेटा पर भी निर्भर है, जिसका अर्थ है कि यह अभी भी व्यस्त सड़क या भीड़भाड़ वाले कमरे की अराजक अनिश्चितता के लिए तैयार नहीं हो सकती है। हालाँकि, मूल नवाचार एक स्पष्ट मार्ग प्रदान करता है। यह सिद्ध करके कि एक सरल क्रिया को समझने के लिए कंप्यूटर को पूरे शरीर को देखने की आवश्यकता नहीं है, और मशीन को चलते हुए हिस्सों के बीच छिपे हुए संबंधों को खोजने के लिए शिक्षित करके, यह कार्य दर्शाता है कि दक्षता और बुद्धिमत्ता सह-अस्तित्व में रह सकते हैं। यह प्रणाली केवल यह पहचान नहीं लेती कि व्यक्ति क्या कर रहा है; यह क्रिया को उस सूक्ष्मता के साथ समझती है जो पहले केवल बहुत धीमी और अधिक संसाधन-गहन मॉडलों के लिए आरक्षित थी, जिससे वास्तविक समय की, बुद्धिमान गति विश्लेषण की संभावना वास्तविकता के करीब आ गई है।