ਭੀੜ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ (Computer Vision) ਨੂੰ ਕਿਉਂ ਵਿਗਾੜ ਦਿੰਦੀ ਹੈ
ਸਵੇਰ ਦੀ ਭੀੜ ਦੌਰਾਨ ਇੱਕ ਰੁਝੇਵੇਂ ਵਾਲੇ ਸਬਵੇਅ ਪਲੇਟਫਾਰਮ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਸਰੀਰ ਇੱਕ ਦੂਜੇ ਨਾਲ ਲੱਗਦੇ ਹਨ, ਮੋਢੇ ਟਕਰਾਉਂਦੇ ਹਨ, ਅਤੇ ਅਜਨਬੀਆਂ ਦੇ ਵਿਚਕਾਰ ਬ੍ਰੀਫਕੇਸ ਲਟਕਦੇ ਹਨ। ਮਨੁੱਖੀ ਅੱਖ ਲਈ, ਇਹ ਹਫੜਾ-ਦਫੜੀ ਹੈ ਪਰ ਸੰਭਾਲਣਯੋਗ ਹਫੜਾ-ਦਫੜੀ ਹੈ। ਤੁਸੀਂ ਭੀੜ ਵਿੱਚੋਂ ਆਪਣੇ ਕਿਸੇ ਦੋਸਤ ਦਾ ਪਿੱਛਾ ਕਰ ਸਕਦੇ ਹੋ ਜਾਂ ਪਲੇਟਫਾਰਮ ਦੇ ਦੂਜੇ ਪਾਸੇ ਤੋਂ ਹੱਥ ਹਿਲਾਉਣ ਵਾਲੇ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ। ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਪ੍ਰਣਾਲੀਆਂ ਲਈ, ਇਹ ਉਹੀ ਦ੍ਰਿਸ਼ ਇੱਕ ਖਤਰਨਾਕ ਖੇਤਰ (minefield) ਵਾਂਗ ਹੈ। ਜਦੋਂ ਇੱਕੋ ਫਰੇਮ ਵਿੱਚ ਦਰਜਨਾਂ ਲੋਕ ਇੱਕ ਦੂਜੇ ਦੇ ਉੱਪਰ ਆਉਂਦੇ ਹਨ, ਤਾਂ ਸਟੈਂਡਰਡ ਡਿਟੈਕਸ਼ਨ (detection) ਅਤੇ ਟ੍ਰੈਕਿੰਗ (tracking) ਮਾਡਲ ਟੁੱਟਣ ਲੱਗਦੇ ਹਨ। ਬਾਊਂਡਿੰਗ ਬਾਕਸ (Bounding boxes) ਮਿਲ ਜਾਂਦੇ ਹਨ। ਪਛਾਣਾਂ ਬਦਲ ਜਾਂਦੀਆਂ ਹਨ। ਲੋਕ ਦੂਜਿਆਂ ਦੇ ਪਿੱਛੇ ਗਾਇਬ ਹੋ ਜਾਂਦੇ ਹਨ ਅਤੇ ਕਦੇ ਵੀ ਉਸੇ ਲੇਬਲ ਨਾਲ ਵਾਪਸ ਨਹੀਂ ਆਉਂਦੇ।
ਸਾਫ਼-ਸੁਥਰੀਆਂ ਲੈਬ ਸਥਿਤੀਆਂ ਅਤੇ ਅਸਲ ਹਕੀਕਤ ਦੇ ਵਿਚਕਾਰ ਇਹ ਅੰਤਰ ਹੀ ਉਹ ਚੀਜ਼ ਹੈ ਜਿਸ ਨੂੰ CVPR19 Tracking and Detection Challenge ਨੇ ਪੂਰਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਸੀ। ਮਾਡਲਾਂ ਦਾ ਟੈਸਟ ਉਨ੍ਹਾਂ ਖੁੱਲ੍ਹੇ ਅਤੇ ਚੰਗੀ ਰੋਸ਼ਨੀ ਵਾਲੇ ਦ੍ਰਿਸ਼ਾਂ 'ਤੇ ਕਰਨ ਦੀ ਬਜਾਏ ਜਿੱਥੇ ਹਰ ਵਿਅਕਤੀ ਇਕੱਲਾ ਖੜ੍ਹਾ ਹੁੰਦਾ ਹੈ, ਇਸ ਚੁਣੌਤੀ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸੰਘਣੇ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਪਾ ਦਿੱਤਾ ਜਿੱਥੇ ਉੱਚ ਘਣਤਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਓਕਲੂਜ਼ਨ (occlusion - ਰੁਕਾਵਟ) ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਓਕਲੂਜ਼ਨ ਪਛਾਣ ਟ੍ਰੈਕਿੰਗ ਵਿੱਚ ਅਜਿਹੀਆਂ ਗਲਤੀਆਂ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸੁਧਾਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇਸ ਤੋਂ ਬਾਅਦ ਇਸ ਬੈਂਚਮਾਰਕ ਨੂੰ ਇਹ ਲੱਭਣ ਲਈ ਇੱਕ ਪ੍ਰਮਾਣ ਭੂਮਿਕਾ ਵਜੋਂ ਵਰਤਿਆ ਹੈ ਕਿ ਇਹਨਾਂ ਗਲਤੀਆਂ ਨੂੰ ਕੰਟਰੋਲ ਤੋਂ ਬਾਹਰ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਕਿਵੇਂ ਸੰਭਾਲਿਆ ਜਾਵੇ।
ਇਹ ਚੁਣੌਤੀ ਅਸਲ ਵਿੱਚ ਕੀ ਟੈਸਟ ਕਰਦੀ ਹੈ
CVPR19 ਚੁਣੌਤੀ ਨੇ ਭੀੜ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਸਮੱਸਿਆ ਵਜੋਂ ਨਹੀਂ ਦੇਖਿਆ। ਇਸ ਨੇ ਮੁਸ਼ਕਲ ਨੂੰ ਚਾਰ ਮੁੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵੰਡ ਦਿੱਤਾ ਜੋ ਸਟੈਂਡਰਡ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ।
ਭੀੜ ਵਿੱਚ ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ (Object detection) ਦੀ ਸ਼ੁੱਧਤਾ। ਇੱਕ ਖੁੱਲ੍ਹੇ ਪਾਰਕਿੰਗ ਲੌਟ ਵਿੱਚ, ਇੱਕ ਡਿਟੈਕਟਰ ਹਰ ਪੈਦਲ ਚੱਲਣ ਵਾਲੇ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇੱਕ ਸਾਫ਼ ਬਾਕਸ ਬਣਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਭੀੜ ਵਾਲੇ ਸਟੇਡੀਅਮ ਦੇ ਹਾਲਵੇ ਵਿੱਚ, ਉਹੀ ਨੈੱਟਵਰਕ ਅਕਸਰ ਇੱਕ ਦੂਜੇ ਦੇ ਉੱਪਰ ਆਉਂਦੇ ਸਰੀਰਾਂ ਦੇ ਜਵਾਬ ਵਿੱਚ ਜਾਂ ਤਾਂ ਕਈ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਵਿਸ਼ਾਲ ਬਾਊਂਡਿੰਗ ਬਾਕਸ ਵਿੱਚ ਮਿਲਾ ਦਿੰਦਾ ਹੈ ਜਾਂ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਲੁਕੇ ਹੋਏ ਸਰੀਰਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਿਸ ਕਰ ਦਿੰਦਾ ਹੈ। ਇਹ ਚੁਣੌਤੀ ਇਸ ਗੱਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਕੋਈ ਮਾਡਲ ਉਦੋਂ ਵੀ ਵਿਅਕਤੀਆਂ ਦੀ ਸਥਿਤੀ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੈ ਜਦੋਂ ਸਿਰਫ਼ ਸਿਰ, ਇੱਕ ਹੱਥ, ਜਾਂ ਇੱਕ ਮੋਢਾ ਹੀ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੋਵੇ।
ਮਲਟੀ-ਆਬਜੈਕਟ ਟ੍ਰੈਕਿੰਗ (Multi-object tracking) ਦੀ ਸਥਿਰਤਾ। ਜਦੋਂ ਇੱਕ ਵਿਅਕਤੀ ਖਾਲੀ ਕਮਰੇ ਵਿੱਚ ਚਲਦਾ ਹੈ ਤਾਂ ਟ੍ਰੈਕਿੰਗ ਆਸਾਨ ਹੁੰਦੀ ਹੈ। ਇਹ ਉਦੋਂ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਇੱਕ ਕੈਮਰੇ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਇੱਕ ਪਲਾਜ਼ਾ ਨੂੰ ਪਾਰ ਕਰਨ ਵਾਲੇ ਪੰਜਾਹ ਲੋਕਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਇਹ ਚੁਣੌਤੀ ਟ੍ਰੈਕਰ ਦੀ ਸਥਿਰਤਾ ਨੂੰ ਇਹ ਮਾਪ ਕੇ ਟੈਸਟ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਲੋਕਾਂ ਦੇ ਇੱਕ ਦੂਜੇ ਦੇ ਵਿਚਕਾਰੋਂ ਲੰਘਣ ਵੇਲੇ ਟ੍ਰੈਕਟਰੀਆਂ (trajectories) ਇਕਸਾਰ ਰਹਿੰਦੀਆਂ ਹਨ। ਉਲਝਣ ਦਾ ਇੱਕ ਸਿੰਗਲ ਫਰੇਮ ਟ੍ਰੈਕਰ ਨੂੰ ਗਲਤ ਪਛਾਣ ਦੇਣ ਲਈ ਮਜਬੂਰ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਇੱਕ ਦੁਹਰਾਓ ਵਾਲਾ ਟ੍ਰੈਕ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਮਿੰਟਾਂ ਤੱਕ ਚਲਦਾ ਰਹਿੰਦਾ ਹੈ।
ਵਾਰ-ਵਾਰ ਹੋਣ ਵਾਲੇ ਓਕਲੂਜ਼ਨ (occlusions) ਨੂੰ ਸੰਭਾਲਣਾ। ਭੀੜ ਵਿੱਚ ਓਕਲੂਜ਼ਨ ਕੋਈ ਕਦੇ-ਕਦਾਈਂ ਆਉਣ ਵਾਲੀ ਰੁਕਾਵਟ ਨਹੀਂ ਹੈ। ਇਹ ਲਗਾਤਾਰ ਅਤੇ ਗਤੀਸ਼ੀਲ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਪੈਦਲ ਚੱਲਣ ਵਾਲਾ ਦੂਜੇ ਨੂੰ ਤਿੰਨ ਫਰੇਮਾਂ ਲਈ ਰੋਕਦਾ ਹੈ, ਫਿਰ ਇੱਕ ਤੀਜਾ ਵਿਅਕਤੀ ਉਸ ਖਾਲੀ ਥਾਂ ਵਿੱਚ ਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅਸਲ ਵਿਅਕਤੀ ਇੱਕ ਵੱਖਰੇ ਕੋਣ ਤੋਂ ਦੁਬਾਰਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।
ਨਿਗਰਾਨੀ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਵੀ ਇੱਕ ਸਮਾਨ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇੱਕ ਟ੍ਰਾਂਜ਼ਿਟ ਹੱਬ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਵਾਲੇ ਸੁਰੱਖਿਆ ਅਧਿਕਾਰੀ ਨੂੰ ਅਜਿਹੇ ਸਿਸਟਮ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਜੋ ਖਾਲੀ ਲਾਂਘੇ ਵਿੱਚ ਲੋਕਾਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕੇ। ਉਨ੍ਹਾਂ ਨੂੰ ਅਜਿਹੇ ਸਿਸਟਮ ਦੀ ਲੋੜ ਹੈ ਜੋ ਸਟੇਸ਼ਨ ਦੇ ਨਿਕਾਸ (evacuation) ਦੌਰਾਨ ਸਹੀ ਗਿਣਤੀ ਕਰ ਸਕੇ, ਜਦੋਂ ਸੈਂਕੜੇ ਯਾਤਰੀ ਇੱਕੋ ਨਿਕਾਸ ਵੱਲ ਵਧ ਰਹੇ ਹੁੰਦੇ ਹਨ। ਜੇਕਰ occlusion ਕਾਰਨ ਪਛਾਣ ਲਗਾਤਾਰ ਬਦਲਦੀ ਰਹਿੰਦੀ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਬੇਕਾਰ ਡੇਟਾ ਤਿਆਰ ਕਰਦਾ ਹੈ: ਇੱਕੋ ਵਿਅਕਤੀ ਨੂੰ ਪੰਜ ਵੱਖ-ਵੱਖ ਵਿਅਕਤੀਆਂ ਵਜੋਂ ਦਰਜ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਲੋਕਾਂ ਦੇ ਸਮੂਹਾਂ ਨੂੰ ਇੱਕੋ ਇਕਾਈ ਵਜੋਂ ਦਰਜ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਕਿਸੇ ਵੀ ਅਗਲੇਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਿਗਾੜ ਦਿੰਦਾ ਹੈ, ਚਾਹੇ ਤੁਸੀਂ ਭੀੜ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਮਾਪ ਰਹੇ ਹੋਵੋ, ਸ਼ੱਕੀ ਵਿਵਹਾਰ ਦੀ ਪਛਾਣ ਕਰ ਰਹੇ ਹੋ, ਜਾਂ ਐਮਰਜੈਂਸੀ ਪ੍ਰਤੀਕਿਰਿਆ ਦਾ ਤਾਲਮੇਲ ਕਰ ਰਹੇ ਹੋ।
ਰੀਟੇਲ ਅਤੇ ਵੇਅਰਹਾਊਸ ਰੋ