ہجوم کمپیوٹر ویژن کو کیوں ناکام بنا دیتا ہے
صبح کے رش کے دوران ایک مصروف سب وے پلیٹ فارم کا تصور کریں۔ لوگ ایک دوسرے سے सटे ہوئے ہیں، کندھے آپس میں ٹکرا رہے ہیں، اور اجنبیوں کے درمیان بریف کیس جھول رہے ہیں۔ انسانی آنکھ کے لیے، یہ افراتفری ہے لیکن ایک قابلِ انتظام افراتفری ہے۔ آپ پھر بھی ہجوم میں کسی دوست کا پیچھا کر سکتے ہیں یا پلیٹ فارم کے دوسری طرف سے ہاتھ ہلاتے ہوئے کسی کو دیکھ سکتے ہیں۔ کمپیوٹر ویژن سسٹمز کے لیے، یہی منظر ایک میدانِ بارود کی طرح ہے۔ جب ایک ہی فریم میں درجنوں لوگ ایک دوسرے کے اوپر آتے ہیں (overlap کرتے ہیں)، تو معیاری ڈیٹیکشن اور ٹریکنگ ماڈلز ٹوٹ پھوٹنے لگتے ہیں۔ باؤنڈنگ باکسز (Bounding boxes) آپس میں مل جاتے ہیں۔ شناختیں بدل جاتی ہیں۔ لوگ دوسروں کے پیچھے غائب ہو جاتے ہیں اور کبھی بھی اسی لیبل کے ساتھ واپس نہیں آتے۔
لیبارٹری کے صاف ستھرے حالات اور الجھی ہوئی حقیقت کے درمیان یہی وہ فرق ہے جسے CVPR19 Tracking and Detection Challenge ختم کرنے کے لیے ڈیزائن کیا گیا تھا۔ ماڈلز کو ان کم ہجوم والے اور روشن مناظر پر آزمانے کے بجائے جہاں ہر شخص تنہا کھڑا ہو، اس چیلنج نے انہیں ایسے گنجان ماحول میں دھکیل دیا جہاں زیادہ ہجوم براہِ راست 'اوسکلوژن' (occlusion) کا باعث بنتا ہے، اور اوسکلوژن شناخت کی ٹریکنگ میں ایسے غلطیوں کا سبب بنتا ہے جنہیں ٹھیک کرنا مشکل ہوتا ہے۔ اس کے بعد سے محققین نے اس بینچ مارک کو ایک آزمائش گاہ کے طور پر استعمال کیا ہے تاکہ ان غلطیوں کو قابو سے باہر ہونے سے پہلے سنبھالنے کے بہتر طریقے تلاش کیے جا سکیں۔
یہ چیلنج اصل میں کیا آزماتا ہے
CVPR19 چیلنج نے ہجوم کو محض ایک مسئلے کے طور پر نہیں دیکھا۔ اس نے اس مشکل کو چار توجہ کے حامل شعبوں میں تقسیم کیا جو معیاری پائپ لائنز کی مختلف کمزوریوں کو ظاہر کرتے ہیں۔
ہجوم میں آبجیکٹ ڈیٹیکشن کی درستگی۔ ایک کم ہجوم والے پارکنگ لاٹ میں، ایک ڈیٹیکٹر ہر پیدل چلنے والے کے گرد ایک صاف باکس بنا سکتا ہے۔ ایک بھرے ہوئے اسٹیڈیم کے راہداری میں، وہی نیٹ ورک اکثر ایک دوسرے کے اوپر آنے والے دھڑ (torsos) پر ردعمل دیتے ہوئے یا تو کئی لوگوں کو ایک ہی بڑے باؤنڈنگ باکس میں ضم کر دیتا ہے یا مکمل طور پر چھپے ہوئے جسموں کو نظر انداز کر دیتا ہے۔ یہ چیلنج اس بات کا جائزہ لیتا ہے کہ آیا ایک ماڈل اس وقت بھی افراد کی نشاندہی (localize) کر سکتا ہے جب صرف ایک سر، ایک بازو یا ایک کندھا ہی نظر آ رہا ہو۔
ملٹی آبجیکٹ ٹریکنگ کا استحکام۔ جب ایک شخص خالی کمرے میں حرکت کرتا ہے تو ٹریکنگ آسان ہوتی ہے۔ لیکن یہ اس وقت انتہائی مشکل ہو جاتی ہے جب ایک کیمرے کو ایک ہی وقت میں کسی چوک (plaza) کو پار کرنے والے پچاس لوگوں کی نگرانی کرنی ہو۔ یہ چیلنج ٹریکر کے استحکام کو اس بات کی پیمائش کر کے آزماتا ہے کہ جب لوگ ایک دوسرے کے درمیان سے گزرتے ہیں تو کیا ان کے راستے (trajectories) مربوط رہتے ہیں۔ الجھن کا ایک ہی فریم ٹریکر کو غلط شناخت دینے یا ایک ایسا ڈپلیکیٹ ٹریک پیدا کرنے کا سبب بن سکتا ہے جو کئی منٹ تک برقرار رہے۔
بار بار ہونے والے اوسکلوژن (occlusions) کو سنبھالنا۔ ہجوم میں اوسکلوژن کوئی کبھی کبھار آنے والی رکاوٹ نہیں ہے۔ یہ مستقل اور متحرک ہوتا ہے۔ ایک پیدل چلنے والا تین فریمز کے لیے دوسرے کو روکتا ہے، پھر ایک تیسرا شخص اس خلا میں آ جاتا ہے، اور اصل شخص ایک مختلف زاویے سے دوبارہ ظاہر ہوتا ہے۔ ستونوں یا کھڑی ہوئی گاڑیوں جیسے ساکن اوسکلوژن کا اندازہ لگایا جا سکتا ہے۔ انسانی ہجوم مسلسل حرکت کرتا رہتا ہے، اور یہ چیلنج 'ریکوری' (recovery) پر زور دیتا ہے۔ جب کوئی شخص کسی گروہ کے پیچھے سے دوبارہ ظاہر ہوتا ہے، تو کیا ماڈل اسے پہچان لیتا ہے، یا اسے بالکل ایک نیا آنے والا سمجھتا ہے؟
حرکت کے دوران شناخت برقرار رکھنا۔ شناخت کا برقرار رہنا صرف چہرے کی شناخت سے زیادہ چیزوں پر منحصر ہے۔ جیسے جیسے لوگ ایک گنجان منظر سے گزرتے ہیں، ان کا سائز (scale) بدلتا ہے، ان کا انداز (pose) سامنے سے پہلو (profile) کی طرف بدل جاتا ہے، اور ماحول کے مختلف حصوں میں روشنی بدلتی رہتی ہے۔ چیلنج یہ سوال کرتا ہے کہ کیا ایک سسٹم اس شخص کے لیے ایک ہی شناختی نمبر (identifier) برقرار رکھ سکتا ہے جو گنجان ہجوم میں بیس میٹر تک چلتا ہے، چاہے وہ شخص کئی بار چھپ چکا ہو اور اس کی ظاہری شکل کے صرف کچھ حصے ہی نظر آ رہے ہوں۔
بینچ مارک سے حقیقی اثر تک
ان چاروں شعبوں میں کارکردگی کو بہتر بنانا محض ایک علمی مشق نہیں ہے۔ بہتر ماڈلز براہِ راست اس بات پر اثر انداز ہوتے ہیں کہ خود مختار سسٹمز (autonomous systems) اور نگرانی کے آلات (surveillance tools) حقیقی دنیا کے حالات میں کیسے کام کرتے ہیں۔
ایک میلے میں مصروف کراس واک کے قریب پہنچتی ہوئی ایک خود مختار گاڑی (autonomous vehicle) کا تصور کریں۔ پیدل چلنے والے منظم قطاروں میں نہیں چلتے۔ وہ اکٹھے ہو جاتے ہیں، اسٹرولرز (strollers) دھکیلتے ہیں، اور ایک دوسرے کے پیچھے سے باہر نکلتے ہیں۔ اگر گاڑی کا ٹریکنگ سسٹم کسی پیدل چلنے والے کی شناخت اس لمحے کھو دیتا ہے جب وہ کسی دوسرے شخص کے پیچھے چھپتا ہے، تو گاڑی یہ پیش گوئی نہیں کر سکتی کہ وہ پیدل چلنے والا کہاں دوبارہ ظاہر ہوگا۔ یہ فرض کر سکتی ہے کہ خطرہ ختم ہو گیا ہے، یا اس سے بھی بدتر، چھپے ہوئے پیدل چلنے والے کو کسی اور کے ساتھ غلط سمجھ سکتی ہے اور اس کے راستے کا غلط اندازہ لگا سکتی ہے۔ ہجوم میں مستحکم ٹریکنگ ایک حفاظتی ضرورت ہے، کوئی عیاشی نہیں۔
نگرانی کے نیٹ ورکس کو بھی ایک مماثل مسئلے کا سامنا ہے۔ ایک سیکیورٹی آپریٹر جو ٹرانزٹ ہب کی نگرانی کر رہا ہو، اسے ایسے سسٹم کی ضرورت نہیں ہے جو خالی راہداری میں لوگوں کی شناخت کر سکے۔ انہیں ایسے سسٹم کی ضرورت ہے جو اسٹیشن سے لوگوں کے نکاس کے دوران درست طریقے سے گنتی کر سکے، جب سینکڑوں مسافر ایک ہی راستے سے باہر نکل رہے ہوں۔ اگر رکاوٹ (occlusion) کی وجہ سے شناخت میں مسلسل تبدیلی آتی ہے، تو سسٹم غیر ضروری ڈیٹا پیدا کرتا ہے: ایک ہی شخص کو پانچ الگ الگ افراد کے طور پر درج کیا جاتا ہے، یا لوگوں کے گروہوں کو ایک ہی دھبے (blob) کے طور پر دکھایا جاتا ہے۔ یہ صورتحال کسی بھی بعد کے تجزیے (downstream analysis) کو ناکام بنا دیتی ہے، چاہے آپ ہجوم کے بہاؤ کی پیمائش کر رہے ہوں، مشکوک رویے کی نشاندہی کر رہے ہوں، یا ہنگامی ردعمل کے لیے کوآرڈینیٹ کر رہے ہوں۔
حتیٰ کہ ریٹیل اور گودام روبوٹکس کو بھی اس سے فائدہ ہوتا ہے۔ خودکار رہنمائی والے گاڑیوں (Automated guided vehicles) کو ایسی راہداریوں سے گزرنا ہوتا ہے جہاں انسانی کارکن انوینٹری اٹھاتے ہیں۔ ان تنگ جگہوں پر، جزوی رکاوٹ (partial occlusion) مسلسل ہوتی رہتی ہے۔ ایک روبوٹ جو شیلفنگ یونٹ کے پیچھے کسی کارکن کا سراغ کھو دیتا ہے، وہ ایسا راستہ ترتیب دے سکتا ہے جو اس شخص کے دوبارہ سامنے آنے پر بہت قریب سے گزرے۔ مختصر وقت کے لیے غائب ہونے کے باوجود شناخت کو برقرار رکھنے کی صلاحیت انسان اور روبوٹ کے باہمی تعامل کو محفوظ رکھتی ہے۔
اسکورز کے پیچھے کی تکنیکی حقیقت
CVPR19 بینچ مارک پر تحقیق کرنے والے محققین نے جلد ہی یہ سیکھ لیا کہ ڈیٹیکشن اور ٹریکنگ کو الگ الگ مراحل کے طور پر سمجھنا ناکامی کی شرح کو کئی گنا بڑھا دیتا ہے۔ ایک ڈیٹیکٹر جو جزوی طور پر چھپے ہوئے شخص کو نظر انداز کر دیتا ہے، وہ ٹریکر کو ڈیٹا سے محروم کر دیتا ہے۔ ایک ٹریکر جو صرف مکانی قربت (spatial proximity) پر انحصار کرتا ہے، وہ کسی بھی رکاوٹ کے پیچھے سے نکلنے والے پہلے نظر آنے والے جسم کو غلط شناخت دے دے گا۔
اسی وجہ سے، اس چیلنج نے مربوط سوچ (integrated thinking) کی حوصلہ افزائی کی۔ ٹیموں نے ان فیچر ری پریزنٹیشنز پر توجہ مرکوز کی جو ٹکڑوں میں بٹ جانے (fragmentation) کے باوجود برقرار رہ سکیں۔ اگر ٹانگیں چھپی ہونے کی وجہ سے مکمل جسم کا ڈسکرپٹر ناکام ہو جاتا ہے، تو ماڈل کو اس چیز پر زیادہ انحصار کرنے کی ضرورت ہے جو نظر آ رہی ہو، جیسے کہ دھڑ یا چلنے کا انداز (gait pattern)۔ دوسروں نے ٹیمپورل ریزننگ (temporal reasoning) پر زور دیا، جس میں موشن ماڈلز کا استعمال کرتے ہوئے یہ پیش گوئی کی جاتی ہے کہ چھپا ہوا شخص کہاں دوبارہ ظاہر ہو سکتا ہے تاکہ سسٹم مکمل جسم کی دوبارہ ڈیٹیکشن کا انتظار کیے بغیر ٹریکنگ دوبارہ شروع کر سکے۔
اس چیلنج نے ریکوری ہیورسٹکس (recovery heuristics) کی اہمیت کو بھی اجاگر کیا۔ کم کثافت والے مناظر میں، ایک ٹریکر یہ فرض کر سکتا ہے کہ پرانی پوزیشن کے قریب نئی ڈیٹیکشن اسی شخص کی ہے۔ لیکن ہجوم میں، یہ مفروضہ تبدیلیوں کا ایک تسلسل (domino chain) پیدا کر دیتا ہے۔ بہتر سسٹمز نے شناخت دوبارہ تفویض کرنے سے پہلے رکنا سیکھ لیا، یعنی رکاوٹ ختم ہونے کے بعد میچ کرنے سے پہلے شواہد کے چند فریمز جمع کرنا۔
کثافت (Density) ایمانداری کا امتحان کیوں ہے
کمپیوٹر ویژن میں بینچ مارکس کی کوئی کمی نہیں ہے۔ CVPR19 ٹریکنگ اور ڈیٹیکشن چیلنج کو جو چیز یادگار بناتی ہے وہ یہ ہے کہ یہ خالی پس منظر اور الگ تھلگ موضوعات کے آرام کو ختم کر دیتا ہے۔ ایک ماڈل جو یہاں اچھا اسکور کرتا ہے، اس نے ثابت کر دیا ہے کہ وہ اس بصری شور (visual noise) کو سنبھال سکتا ہے جو اصل انسانی ماحول کی تعریف ہے۔ کثافت (Density) ہی ایمانداری کا امتحان ہے۔ یہ اشیاء کی علیحدگی اور مسلسل نظر آنے کے بارے میں کمزور مفروضوں کو بے نقاب کرتی ہے۔
اگر آپ دیکھنا چاہتے ہیں کہ مخصوص طریقے کیسے کارآمد ثابت ہوئے اور اس طرح کے دباؤ میں کن آرکیٹیکچرز نے امید دکھائی، تو آپ مکمل تفصیل یہاں پڑھ سکتے ہیں۔ اور اگر آپ اس شعبے میں کام کر رہے ہیں اور اسی طرح کے اوکلوژن (occlusion) کے مسائل سے گزرنے والے دیگر لوگوں کے ساتھ بات چیت کرنا چاہتے ہیں، تو تعلیمی کمیونٹی میں یہاں شامل ہوں۔ ہجوم میں ٹریکنگ کا کام ابھی ختم نہیں ہوا، اور اصل امتحان ہمیشہ یہ ہوتا ہے کہ جب منظر پر ہجوم بڑھ جائے تو کیا ہوتا ہے۔