एआई ने खाली दीवारों द्वारा खुलासा की गई गुप्त गतिविधि का पता लगाया

एनवीआईडीआईए और एमआईटी के योगदानकर्ताओं सहित एक अनुसंधान सहयोग ने एक मशीन लर्निंग विधि विकसित की है जो केवल एक निकटवर्ती दीवार पर अप्रत्यक्ष प्रकाश व्यवस्था को देखकर छिपे हुए लोगों की पहचान कर सकती है, यहां तक कि जब लोग प्रकाश स्रोतों के पास नहीं होते हैं। इस विधि की सटीकता लगभग 94% है जब यह छिपे हुए लोगों की संख्या का पता लगाने का प्रयास करती है, और यह भी छिपे हुए व्यक्ति की विशिष्ट गतिविधि का पता लगा सकती है जो मानव आंखों और मानक छवि वृद्धि विधियों के लिए अदृश्य प्रकाश के प्रतिबिंबों को बहुत बढ़ाकर।

अदृश्य प्रकाश के प्रतिबिंब, जो नए तरीके से बढ़ाए गए हैं, जो संवेदी तंत्रिका नेटवर्क का उपयोग करके परिवर्तन के क्षेत्रों की पहचान करते हैं। स्रोत: https://www.youtube.com/watch?v=K4PapXyX-bI

नया पत्र शीर्षक है एक खाली दीवार पर घूरने से आप क्या सीख सकते हैं, जिसमें एनवीआईडीआईए और एमआईटी के साथ-साथ इज़राइल प्रौद्योगिकी संस्थान के योगदान हैं।

दीवारों के पीछे ‘देखने’ के पिछले तरीकों ने नियंत्रित प्रकाश स्रोतों या ज्ञात अवरोधन स्रोतों के पूर्व ज्ञान पर निर्भर किया है, जबकि नई तकनीक किसी भी नए कमरे में सामान्य हो सकती है, जिसमें पुनः कैलिब्रेशन की आवश्यकता नहीं है। दो संवेदी तंत्रिका नेटवर्क जो छिपे हुए लोगों की पहचान करते हैं, उन्होंने केवल 20 दृश्यों से प्राप्त डेटा का उपयोग किया है।

परियोजना का उद्देश्य उच्च जोखिम वाले, सुरक्षा महत्वपूर्ण स्थितियों में, खोज और बचाव अभियानों के लिए, सामान्य कानून प्रवर्तन निगरानी कार्यों के लिए, आपातकालीन प्रतिक्रिया परिदृश्यों के लिए, बुजुर्ग लोगों में गिरने का पता लगाने के लिए, और स्वायत्त वाहनों के लिए छिपे हुए पैदल यात्रियों का पता लगाने के लिए है।

निष्क्रिय मूल्यांकन

जैसा कि अक्सर कंप्यूटर दृष्टि परियोजनाओं के साथ होता है, केंद्रीय कार्य छवि धारा में महसूस की गई स्थिति परिवर्तनों की पहचान करना, वर्गीकृत करना और संचालित करना था। परिवर्तनों को जोड़ने से व्यक्तियों की संख्या की पहचान करने या एक या एक से अधिक व्यक्तियों की गतिविधि का पता लगाने के लिए उपयोग किए जाने वाले हस्ताक्षर पैटर्न बनते हैं।

काम पूरी तरह से निष्क्रिय दृश्य मूल्यांकन की संभावना खोलता है, जिसमें प्रतिबिंबित सतहों का उपयोग करने की आवश्यकता नहीं है, वाई-फाई सिग्नल, रडार, ध्वनि या हाल के वर्षों में खतरनाक या महत्वपूर्ण वातावरण में छिपे हुए मानव उपस्थिति को स्थापित करने के लिए अन्य शोध प्रयासों में आवश्यक किसी भी ‘विशेष परिस्थितियों’ की आवश्यकता नहीं है।

नये शोध के लिए उपयोग किए जाने वाले डेटा-संग्रह परिदृश्य का एक नमूना। विषयों को इतनी सावधानी से रखा जाता है कि वे छाया न डालें या सीधे प्रकाश को अवरुद्ध न करें, और कोई प्रतिबिंबित सतह या अन्य ‘चीट’ वेक्टर अनुमति नहीं है। स्रोत: https://arxiv.org/pdf/2108.13027.pdf

प्रभावी रूप से, दृश्य के लिए परिकल्पित परिदृश्य के लिए वातावरण प्रकाश किसी भी छोटे विक्षोभ को जो लोग दृश्य में कहीं और छिपे हुए हैं, उनके प्रतिबिंब से पैदा होता है, उसे दबा देगा। शोधकर्ताओं का अनुमान है कि व्यक्तियों का प्रकाश-विक्षोभ योगदान आमतौर पर कुल दृश्य प्रकाश का 1% से कम होगा।

स्थिर प्रकाश को हटाना

दीवार की स्थिर छवि से गति निकालने के लिए, यह आवश्यक है कि वीडियो का समय सम平均 गणना की जाए और प्रत्येक फ्रेम से हटा दिया जाए। परिणामी गति के पैटर्न आमतौर पर अच्छी गुणवत्ता वाले वीडियो उपकरणों के शोर सीमा से नीचे होते हैं, और वास्तव में अधिकांश गति नकारात्मक पिक्सेल स्थान में होती है।

इसे दूर करने के लिए, शोधकर्ताओं ने वीडियो को 16 के कारक द्वारा डाउनसैंपल किया और परिणामी फुटेज को 50 के कारक द्वारा अपस्केल किया, साथ ही नकारात्मक पिक्सेल की उपस्थिति का पता लगाने के लिए एक मध्य-ग्रे आधार स्तर जोड़ा।

मानव-देखी दीवार और छिपे हुए व्यक्तियों के प्रतिबिंब के बीच अंतर। चूंकि छवि गुणवत्ता इस शोध में एक केंद्रीय मुद्दा है, इसलिए लेख के अंत में आधिकारिक वीडियो के लिए उच्च गुणवत्ता वाली छवि देखें।

गति का अवलोकन करने का अवसर बहुत ही नाजुक है, और यहां तक कि 60 हर्ट्ज एसी आवृत्ति पर प्रकाश के फ्लिकरिंग से भी प्रभावित हो सकता है। इसलिए, यह प्राकृतिक विक्षोभ का भी मूल्यांकन और फुटेज से हटाना आवश्यक है ताकि व्यक्ति-उत्पन्न गति उभर सके।

अंत में, प्रणाली एक विशिष्ट संख्या में छिपे हुए कमरे के निवासियों को संकेत देने वाले स्थान-काल ग्राफ बनाती है:

विभिन्न संख्या में छिपे हुए लोगों का प्रतिनिधित्व करने वाले हस्ताक्षर स्थान-काल ग्राफ।

विभिन्न मानव गतिविधियों के परिणामस्वरूप भी हस्ताक्षर विक्षोभ हो सकते हैं जिन्हें वर्गीकृत और बाद में पहचाना जा सकता है:

निष्क्रियता, चलने, झुकने, हाथ हिलाने और कूदने के लिए स्थान-काल ग्राफ हस्ताक्षर।

छिपे हुए व्यक्ति की पहचान के लिए एक स्वचालित मशीन लर्निंग-आधारित कार्यप्रवाह बनाने के लिए, 20 उपयुक्त परिदृश्यों से विभिन्न फुटेज का उपयोग दो तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया गया था जो व्यापक रूप से समान कॉन्फ़िगरेशन पर काम करते हैं – एक दृश्य में लोगों की संख्या को गिनने के लिए, और दूसरा किसी भी होने वाली गति की पहचान करने के लिए।

परीक्षण

शोधकर्ताओं ने दस अनदेखे वास्तविक दुनिया के वातावरण में प्रशिक्षित प्रणाली का परीक्षण किया, जो अंतिम तैनाती के लिए अपेक्षित सीमाओं को पुनरुत्पादित करने के लिए डिज़ाइन किए गए थे। प्रणाली 256 फ्रेम (आम तौर पर केवल 8 सेकंड का वीडियो) में छिपे हुए लोगों की संख्या को वर्गीकृत करने में 94.4% तक की सटीकता हासिल कर सकती है, और उसी स्थिति में 93.7% तक की सटीकता हासिल कर सकती है गतिविधियों को वर्गीकृत करने में। हालांकि कम स्रोत फ्रेम के साथ सटीकता कम हो जाती है, यह रैखिक गिरावट नहीं है, और यहां तक कि 64 फ्रेम भी ‘लोगों की संख्या’ मूल्यांकन के लिए 79.4% की सटीकता दर प्राप्त कर सकते हैं (लगभग 95% की तुलना में चार गुना अधिक फ्रेम)।

हालांकि यह विधि मौसम-आधारित प्रकाश परिवर्तनों के प्रति मजबूत है, यह एक दृश्य में संघर्ष करती है जो एक टेलीविजन द्वारा रोशन की जाती है, या परिस्थितियों में जहां लोग दीवार के रंग के समान एकरंग कपड़े पहने हुए हैं।

अधिक विवरण, जिसमें निकाली गई छवियों के उच्च गुणवत्ता वाले फुटेज शामिल हैं, लेख के अंत में आधिकारिक वीडियो में देखे जा सकते हैं।