छवि वर्गीकरण कैसे काम करता है?

आपका फोन एक वस्तु की पहचान कैसे कर सकता है केवल उसकी तस्वीर लेकर? सोशल मीडिया वेबसाइटें तस्वीरों में लोगों को स्वचालित रूप से कैसे टैग करती हैं? यह एआई-संचालित छवि पहचान और वर्गीकरण के माध्यम से संभव होता है।

छवि पहचान और वर्गीकरण की प्रक्रिया ही कई आर्टिफ़िशियल इंटेलिजेंस की सबसे प्रभावशाली उपलब्धियों को संभव बनाती है। लेकिन कंप्यूटर छवियों को कैसे पहचान और वर्गीकृत करते हैं? इस लेख में, हम उन सामान्य तरीकों पर चर्चा करेंगे जिनका उपयोग कंप्यूटर छवियों को व्याख्या और पहचान करने के लिए करते हैं, और फिर हम कुछ सबसे लोकप्रिय छवि वर्गीकरण विधियों पर नज़र डालेंगे।

पिक्सेल-स्तर बनाम वस्तु-आधारित वर्गीकरण

छवि वर्गीकरण तकनीकों को मुख्य रूप से दो श्रेणियों में विभाजित किया जा सकता है: पिक्सेल-आधारित वर्गीकरण और वस्तु-आधारित वर्गीकरण।

पिक्सेल किसी छवि की आधार इकाइयाँ होती हैं, और पिक्सेल विश्लेषण ही छवि वर्गीकरण का प्राथमिक तरीका है। हालांकि, वर्गीकरण एल्गोरिदम या तो व्यक्तिगत पिक्सेल के भीतर स्पेक्ट्रल जानकारी का उपयोग करके छवि को वर्गीकृत कर सकते हैं या स्पेक्ट्रल जानकारी (निकटवर्ती पिक्सेल) के साथ-साथ स्थानिक जानकारी की जांच कर सकते हैं। पिक्सेल-आधारित वर्गीकरण विधियाँ केवल स्पेक्ट्रल जानकारी (पिक्सेल की तीव्रता) का उपयोग करती हैं, जबकि वस्तु-आधारित वर्गीकरण विधियाँ पिक्सेल स्पेक्ट्रल जानकारी और स्थानिक जानकारी दोनों को ध्यान में रखती हैं।

पिक्सेल-आधारित वर्गीकरण के लिए विभिन्न वर्गीकरण तकनीकें हैं। इनमें न्यूनतम-दूरी-से-माध्य, अधिकतम-संभावना, और न्यूनतम-महालनोबिस-दूरी शामिल हैं। इन विधियों के लिए यह आवश्यक है कि वर्गों के माध्य और विचरण ज्ञात हों, और वे सभी वर्ग माध्य और लक्ष्य पिक्सेल के बीच “दूरी” की जांच करके काम करते हैं।

पिक्सेल-आधारित वर्गीकरण विधियों की सीमा यह है कि वे अन्य निकटवर्ती पिक्सेल से जानकारी का उपयोग नहीं कर सकती हैं। इसके विपरीत, वस्तु-आधारित वर्गीकरण विधियाँ अन्य पिक्सेल को शामिल कर सकती हैं और इसलिए वे स्थानिक जानकारी का उपयोग करके वस्तुओं को वर्गीकृत करने में सक्षम होती हैं। ध्यान दें कि “वस्तु” का अर्थ केवल पिक्सेल के संगत क्षेत्र होता है, न कि यह कि उस पिक्सेल क्षेत्र में कोई लक्ष्य वस्तु है या नहीं।

वस्तु पहचान के लिए छवि डेटा का पूर्व-प्रसंस्करण

हाल के और विश्वसनीय छवि वर्गीकरण प्रणाली मुख्य रूप से वस्तु-स्तरीय वर्गीकरण योजनाओं का उपयोग करती हैं, और इन दृष्टिकोणों के लिए छवि डेटा को विशिष्ट तरीकों से तैयार करना आवश्यक है। वस्तुओं/क्षेत्रों का चयन और पूर्व-प्रसंस्करण करना आवश्यक है।

एक छवि और उसके भीतर के वस्तुओं/क्षेत्रों को वर्गीकृत करने से पहले, छवि के निर्माण करने वाले डेटा को कंप्यूटर द्वारा व्याख्या की जानी चाहिए। छवियों को पूर्व-प्रसंस्करण और वर्गीकरण एल्गोरिदम में इनपुट के लिए तैयार करने की आवश्यकता होती है, और यह वस्तु पहचान के माध्यम से किया जाता है। यह डेटा तैयार करने और मशीन लर्निंग वर्गीकारक को प्रशिक्षित करने के लिए डेटा को तैयार करने का एक महत्वपूर्ण हिस्सा है।

वस्तु पहचान विभिन्न तरीकों और तकनीकों के साथ की जाती है। सबसे पहले, यह जानना महत्वपूर्ण है कि क्या एक ही वस्तु रुचि का विषय है या एक से अधिक वस्तुएँ हैं, यह छवि पूर्व-प्रसंस्करण को कैसे संभालता है। यदि केवल एक वस्तु रुचि का विषय है, तो छवि स्थानीयकरण से गुजरती है। छवि के निर्माण करने वाले पिक्सेलों में संख्यात्मक मान होते हैं जिन्हें कंप्यूटर द्वारा व्याख्या की जाती है और उचित रंगों और रंगों को प्रदर्शित करने के लिए उपयोग किया जाता है। वस्तु के चारों ओर एक बाउंडिंग बॉक्स बनाया जाता है, जो कंप्यूटर को यह जानने में मदद करता है कि छवि का कौन सा हिस्सा महत्वपूर्ण है और कौन से पिक्सेल मान वस्तु को परिभाषित करते हैं। यदि छवि में एक से अधिक वस्तुएँ रुचि का विषय हैं, तो वस्तु पहचान तकनीक का उपयोग करके इन सभी वस्तुओं पर बाउंडिंग बॉक्स लगाया जाता है।

फोटो: एड्रियन रोज़ब्रॉक विकिमीडिया कॉमन्स, सीसी बाय एसए 4.0 (https://commons.wikimedia.org/wiki/File:Intersection_over_Union_-_object_detection_bounding_boxes.jpg)

पूर्व-प्रसंस्करण का एक अन्य तरीका छवि विभाजन है। छवि विभाजन छवि को विभिन्न खंडों में विभाजित करता है जो समान विशेषताओं पर आधारित होते हैं। छवि के विभिन्न क्षेत्रों में समान पिक्सेल मान होते हैं जब उन्हें अन्य क्षेत्रों के साथ तुलना की जाती है, इसलिए इन पिक्सेलों को एक साथ समूहित किया जाता है और छवि मास्क बनाए जाते हैं जो वस्तुओं के आकार और सीमाओं से मेल खाते हैं। छवि विभाजन कंप्यूटर को वस्तुओं की विशेषताओं को अलग करने में मदद करता है जो वर्गीकरण में सहायक होती हैं, जैसे कि बाउंडिंग बॉक्स करते हैं, लेकिन वे अधिक सटीक, पिक्सेल-स्तर के लेबल प्रदान करते हैं।

वस्तु पहचान या छवि विभाजन के बाद, क्षेत्रों पर लेबल लगाए जाते हैं। इन लेबलों को वस्तु के निर्माण करने वाले पिक्सेलों के मानों के साथ मिलाकर मशीन लर्निंग एल्गोरिदम में डाला जाता है जो विभिन्न लेबलों से जुड़े पैटर्न सीखते हैं।

मशीन लर्निंग एल्गोरिदम

एक बार डेटा तैयार और लेबल हो जाने के बाद, डेटा को मशीन लर्निंग एल्गोरिदम में डाला जाता है जो डेटा पर प्रशिक्षित होता है। हम कुछ सबसे सामान्य प्रकार के मशीन लर्निंग छवि वर्गीकरण एल्गोरिदम पर नीचे चर्चा करेंगे।

के-निकटतम पड़ोसी

के-निकटतम पड़ोसी एक वर्गीकरण एल्गोरिदम है जो निकटतम प्रशिक्षण उदाहरणों की जांच करता है और उनके लेबलों को देखता है ताकि एक दिए गए परीक्षण उदाहरण के लिए सबसे संभावित लेबल का निर्धारण किया जा सके। छवि वर्गीकरण के लिए के-निकटतम पड़ोसी का उपयोग करते समय, प्रशिक्षण छवियों के सुविधा वेक्टर और लेबल संग्रहीत किए जाते हैं और केवल सुविधा वेक्टर परीक्षण में एल्गोरिदम में डाला जाता है। फिर प्रशिक्षण और परीक्षण सुविधा वेक्टरों की तुलना समानता के लिए की जाती है।

के-निकटतम पड़ोसी आधारित वर्गीकरण एल्गोरिदम बहुत सरल होते हैं और वे आसानी से कई वर्गों को संभाल सकते हैं। हालांकि, के-निकटतम पड़ोसी सभी सुविधाओं के आधार पर समानता की गणना करता है। इसका मतलब है कि यह उन छवियों के साथ भ्रमित हो सकता है जहां केवल सुविधाओं का एक उपसेट वर्गीकरण के लिए महत्वपूर्ण है।

सपोर्ट वेक्टर मशीन

सपोर्ट वेक्टर मशीन एक वर्गीकरण विधि है जो अंतरिक्ष में बिंदुओं को रखती है और फिर बिंदुओं के बीच विभाजक रेखाएं खींचती है, जो वस्तुओं को विभिन्न वर्गों में रखती है जो विभाजक विमान के किस ओर पड़ती हैं। सपोर्ट वेक्टर मशीन रेखीय वर्गीकरण के अलावा गैर-रेखीय वर्गीकरण भी कर सकती है जिसे केर्नल ट्रिक के रूप में जाना जाता है। जबकि एसवीएम वर्गीकारक अक्सर बहुत सटीक होते हैं, एसवीएम वर्गीकारकों का एक महत्वपूर्ण नुकसान यह है कि वे आकार और गति दोनों से सीमित होते हैं, जिसमें आकार के साथ गति कम होती जाती है।

मल्टी-लेयर परसेप्ट्रॉन (न्यूरल नेट)

मल्टी-लेयर परसेप्ट्रॉन, जिन्हें न्यूरल नेटवर्क मॉडल भी कहा जाता है, मशीन लर्निंग एल्गोरिदम हैं जो मानव मस्तिष्क से प्रेरित हैं। मल्टी-लेयर परसेप्ट्रॉन विभिन्न परतों से बने होते हैं जो एक दूसरे से जुड़े होते हैं, जैसे कि मानव मस्तिष्क में न्यूरॉन्स जुड़े होते हैं। न्यूरल नेटवर्क यह मान लेते हैं कि इनपुट सुविधाएं डेटा के वर्गों से कैसे संबंधित हैं और ये मान प्रशिक्षण के दौरान समायोजित किए जाते हैं। सरल न्यूरल नेटवर्क मॉडल जैसे मल्टी-लेयर परसेप्ट्रॉन गैर-रेखीय संबंधों को सीखने में सक्षम होते हैं और इसलिए वे अन्य मॉडलों की तुलना में अधिक सटीक हो सकते हैं। हालांकि, एमएलपी मॉडलों को गैर-उत्तल हानि कार्यों जैसे कुछ उल्लेखनीय मुद्दों का सामना करना पड़ता है।

गहरा शिक्षण एल्गोरिदम (सीएनएन)

फोटो: एपीएचएक्स34 विकिमीडिया कॉमन्स, सीसी बाय एसए 4.0 (https://commons.wikimedia.org/wiki/File:Typical_cnn.png)

हाल के समय में सबसे अधिक इस्तेमाल किया जाने वाला छवि वर्गीकरण एल्गोरिदम कन्वोल्यूशनल न्यूरल नेटवर्क (सीएनएन) है। सीएनएन मल्टी-लेयर न्यूरल नेटवर्क के अनुकूलित संस्करण हैं जो विशेष परतों को जोड़ते हैं जो छवि वर्गीकरण के लिए सबसे महत्वपूर्ण विशेषताओं को निकालने में सक्षम हैं। सीएनएन स्वचालित रूप से छवियों की विशेषताओं का पता लगा सकते हैं, उत्पन्न कर सकते हैं और सीख सकते हैं। इससे छवियों को मशीन लर्निंग एल्गोरिदम के लिए तैयार करने के लिए मैनुअल लेबलिंग और सेगमेंटेशन की आवश्यकता कम हो जाती है। वे एमएलपी नेटवर्कों की तुलना में एक फायदा भी रखते हैं क्योंकि वे गैर-उत्तल हानि कार्यों से निपट सकते हैं।

कन्वोल्यूशनल न्यूरल नेटवर्क अपना नाम इस तथ्य से लेते हैं कि वे “कन्वोल्यूशंस” बनाते हैं। सीएनएन एक फिल्टर लेकर और इसे छवि पर घुमाकर काम करते हैं। आप इसे एक परिदृश्य के खंडों को देखने के लिए एक चलती हुई खिड़की के माध्यम से कल्पना कर सकते हैं, केवल उन विशेषताओं पर ध्यान केंद्रित करते हैं जो खिड़की के माध्यम से दिखाई दे रही हैं। फिल्टर में संख्यात्मक मान होते हैं जिन्हें पिक्सेल मानों के साथ गुणा किया जाता है। परिणाम एक नई फ्रेम या मैट्रिक्स होती है जिसमें संख्याएं होती हैं जो मूल छवि का प्रतिनिधित्व करती हैं। इस प्रक्रिया को चुनी गई संख्या में फिल्टर के लिए दोहराया जाता है, और फिर फ्रेम को एक नए छवि में जोड़ दिया जाता है जो मूल से छोटा और कम जटिल है। पूलिंग नामक एक तकनीक का उपयोग केवल छवि में सबसे महत्वपूर्ण मानों का चयन करने के लिए किया जाता है, और कन्वोल्यूशनल परतों का लक्ष्य अंततः छवि के उन सबसे प्रमुख हिस्सों को निकालना है जो न्यूरल नेटवर्क को वस्तुओं को पहचानने में मदद करेंगे।

कन्वोल्यूशनल न्यूरल नेटवर्क दो अलग-अलग भागों से बने होते हैं। कन्वोल्यूशनल परतें छवि की विशेषताओं को निकालती हैं और उन्हें न्यूरल नेटवर्क परतों द्वारा सीखने और व्याख्या करने के लिए एक प्रारूप में परिवर्तित करती हैं। शुरुआती कन्वोल्यूशनल परतें छवि के सबसे बुनियादी तत्वों को निकालती हैं, जैसे कि साधारण रेखाएं और सीमाएं। मध्यवर्ती कन्वोल्यूशनल परतें अधिक जटिल आकारों को पकड़ना शुरू कर देती हैं, जैसे कि साधारण वक्र और कोने। गहरी, बाद की कन्वोल्यूशनल परतें छवि की उच्च-स्तरीय विशेषताओं को निकालती हैं, जो सीएनएन के न्यूरल नेटवर्क भाग में डाली जाती हैं और जो वर्गीकारक सीखता है।