कंप्यूटर विज़न डेटासेट के लिए एक ब्राउज़र-आधारित छवि एनोटेशन टूल

फ़िनलैंड के शोधकर्ताओं ने एक ब्राउज़र-आधारित इमेज लेबलिंग टूल विकसित किया है जिसका उद्देश्य कंप्यूटर विज़न डेटासेट के लिए थकाऊ इमेज एनोटेशन प्रक्रियाओं की आसानी और गति में सुधार करना है। सबसे लोकप्रिय ब्राउज़र इंजनों के लिए एक ऑपरेटिंग सिस्टम-अज्ञेय एक्सटेंशन के रूप में स्थापित, यह नया टूल उपयोगकर्ताओं को 'स्वतंत्र रूप से ब्राउज़ करते हुए एनोटेट' करने में सक्षम बनाता है, बजाय इसके कि उन्हें किसी समर्पित सेट-अप के संदर्भ में लेबलिंग सत्र डालने, या क्लाइंट-साइड कोड चलाने और अन्य विशेष परिस्थितियों में काम करने की आवश्यकता हो।

हकदार ब्रिमा (लो-ओवरहेड ब्राउजर-ओनली इमेज एनोटेशन टूल), सिस्टम को ज्यवास्किला विश्वविद्यालय में विकसित किया गया था। यह स्थानीय या दूरस्थ निर्देशिकाओं में डेटासेट को स्क्रैप और संकलित करने की आवश्यकता को हटा देता है, और किसी भी सार्वजनिक-सामना वाले प्लेटफ़ॉर्म पर उपलब्ध विभिन्न डेटा मापदंडों से उपयोगी डेटा प्राप्त करने के लिए कॉन्फ़िगर किया जा सकता है।

कार्रवाई में ब्रिमा. स्रोत: https://arxiv.org/pdf/2107.06351.pdf

इस प्रकार BRIMA (जिसे प्रस्तुत किया जाएगा आईसीआईपी 2021, जब कोड भी उपलब्ध कराया जाएगा) उन संभावित बाधाओं को दूर करता है जो तब उत्पन्न हो सकती हैं जब स्वचालित वेब-स्क्रैपिंग सिस्टम को आईपी रेंज या अन्य तरीकों के माध्यम से अवरुद्ध किया जाता है, और डेटा एकत्र करने में बाधा उत्पन्न होती है - एक ऐसा परिदृश्य जो आईपी सुरक्षा के तेजी से फोकस में आने के साथ और अधिक सामान्य होने वाला है , जैसा कि यह है हाल ही में किया गया माइक्रोसॉफ्ट के एआई-संचालित कोड जनरेशन टूल, कोपायलट के साथ।

चूँकि BRIMA का उद्देश्य पूरी तरह से मानव-आधारित एनोटेशन है, इसलिए इसके उपयोग से अन्य प्रकार की बाधाओं, जैसे कैप्चा चुनौतियों, या डेटा-एकत्रित एल्गोरिदम को अवरुद्ध करने के उद्देश्य से अन्य स्वचालित प्रणालियों को ट्रिगर करने की भी कम संभावना है।

अनुकूली डेटा-संग्रह क्षमताएँ

BRIMA को विंडोज़, ओएसएक्स या लिनक्स पर फ़ायरफ़ॉक्स ऐड-ऑन या क्रोम एक्सटेंशन के माध्यम से कार्यान्वित किया जाता है, और डेटा बिंदुओं के आधार पर मुख्य डेटा को ग्रहण करने के लिए कॉन्फ़िगर किया जा सकता है जिसे एक विशेष प्लेटफ़ॉर्म प्रदर्शित करना चुन सकता है। उदाहरण के लिए, Google स्ट्रीट व्यू में छवियों को एनोटेट करते समय, सिस्टम लेंस के अभिविन्यास और दृष्टिकोण को ध्यान में रख सकता है, और उपयोगकर्ता द्वारा ध्यान में निर्दिष्ट वस्तु के सटीक भू-स्थान को पंजीकृत कर सकता है।

सीसीटीवी ऑब्जेक्ट्स (सार्वजनिक स्थानों पर लगे वीडियो निगरानी कैमरे, या सार्वजनिक स्थानों से देखने योग्य) के लिए ऑब्जेक्ट डिटेक्शन डेटासेट उत्पन्न करने के लिए एक क्राउडसोर्स्ड पहल पर सहयोग के दौरान, BRIMA का परीक्षण इसके रचनाकारों द्वारा सितंबर 2020 में किया गया था।

सिस्टम में ब्राउज़र एक्सटेंशन के रूप में हल्के जावास्क्रिप्ट क्लाइंट-साइड इंस्टॉलेशन और एक सर्वर-साइड पहलू शामिल है जो एनोटेशन डेटा प्राप्त और संकलित करता है। सर्वर-साइड इंस्टॉलेशन के संदर्भ कार्यान्वयन फ्लास्क और स्वैगर/ओपनएपीआई के साथ पायथन और PHP में लिखे गए थे, लेकिन शोधकर्ता इस बात पर जोर देते हैं कि केंद्रीय प्रसंस्करण आर्किटेक्चर को आसानी से अन्य भाषाओं और कॉन्फ़िगरेशन में पोर्ट किया जा सकता है।

ब्राउज़र एक्सटेंशन और सर्वर RESTful API अनुरोधों और HTTP/XHR के माध्यम से संचार करते हैं, और क्लाइंट-साइड डेटा JSON प्रारूप में भेजा जाता है जो MS COCO के साथ संगत है। इसका मतलब है कि डेटा को विभिन्न लोकप्रिय ऑब्जेक्ट डिटेक्शन फ्रेमवर्क के साथ तुरंत उपयोग किया जा सकता है, जिसमें TensorFlow के विविध बैक-एंड, जैसे कि Facebook का, शामिल हैं। डिटेक्टर २, तथा सेंटरमास्क2.

परियोजना-विशिष्ट टूलींग

BRIMA की सामान्य प्रकृति के बावजूद, इसे अत्यधिक विशिष्ट डेटा-एकत्रित कॉन्फ़िगरेशन में कॉन्फ़िगर किया जा सकता है, जिसमें ड्रॉप-डाउन मेनू और किसी विशेष डोमेन से संबंधित अन्य प्रकार के प्रासंगिक इनपुट शामिल हैं। नीचे दी गई छवि में हम देखते हैं कि कैमरा जानकारी से संबंधित एक ड्रॉप-डाउन मेनू BRIMA में लिखा गया है, ताकि एनोटेटर्स का एक समूह विस्तृत और प्रोजेक्ट-प्रासंगिक जानकारी प्रदान कर सके।

इस अतिरिक्त टूलींग को स्थानीय रूप से कॉन्फ़िगर किया जा सकता है। एक्सटेंशन में रंग-कोडित यूआई तत्वों के साथ आसान इंस्टॉलेशन और कॉन्फ़िगर करने योग्य कीबोर्ड शॉर्टकट भी शामिल हैं।

यह कार्य वेब-प्राप्त या सार्वजनिक-सामना वाले डेटा के लिए छवि एनोटेशन की सुविधा में सुधार के लिए हाल के वर्षों में किए गए कई प्रयासों पर आधारित है। DARPA द्वारा समर्थित फोटोस्टफ टूल एक समर्पित वेब पोर्टल के माध्यम से ऑनलाइन एनोटेशन प्रदान करता है, और इसे सिमेंटिक वेब पर या स्टैंडअलोन एप्लिकेशन के रूप में चलाया जा सकता है; 2004 में यूसी बर्कले ने प्रस्ताव रखा कैमरा फोन पर फोटो एनोटेशन, जिसने नेटवर्क कवरेज की सीमाओं और उस युग की व्यूपोर्ट सीमाओं के कारण मेटाडेटा का भारी लाभ उठाया; एमआईटी का 2005 मुझे लेबल करें प्रोजेक्ट ने MATLAB टूल पर निर्भरता के साथ ब्राउज़र-आधारित एनोटेशन का भी रुख किया;

2015 में रिलीज़ होने के बाद से, FOSS Python/QT फ्रेमवर्क लेबलImg एक समर्पित स्थानीय इंस्टॉलेशन के साथ, क्राउडसोर्स्ड एनोटेशन प्रयासों में लोकप्रियता हासिल की है। हालाँकि, BRIMA शोधकर्ताओं का मानना ​​है कि LabelImg पास्कलVOC और YOLO मानकों पर केंद्रित है, MS COCO JSON प्रारूप का समर्थन नहीं करता है, और सरल आयताकार कैप्चर क्षेत्रों (जिसके लिए बाद के विभाजन की आवश्यकता होगी) के पक्ष में बहुभुज रूपरेखा उपकरण को छोड़ देता है।