कंप्यूटर विज़न की दुनिया में क्रांति: कन्वेन्शनल न्यूरल नेटवर्क (CNN) कैसे काम करता है?

आज के आधुनिक आर्टिफिशियल इंटेलिजेंस (AI) के युग में जब कोई स्मार्टफोन आपके चेहरे को पहचान कर लॉक खोलता है, या कोई स्वचालित कार सड़क पर ट्रैफिक सिग्नल और पैदल चलने वालों को पहचान लेती है, तो उसके पीछे कनवोल्यूशनल न्यूरल नेटवर्क (Convolutional Neural Network - CNN) नामक अद्भुत तकनीक कार्यरत होती है। CNN, फीडफॉरवर्ड न्यूरल नेटवर्क (feedforward neural network) का एक विशिष्ट प्रकार है, जो डेटा से विशिष्ट लक्षणों को सीखने के लिए फिल्टर (filter) या कर्नल (kernel) के ऑप्टिमाइज़ेशन का उपयोग करता है। कंप्यूटर विज़न (computer vision), यानी कंप्यूटर को चित्रों और वीडियो को समझने की क्षमता देने वाले क्षेत्र में, CNN को एक स्वर्ण मानक माना जाता है।

हालांकि हाल के समय में विज़न ट्रांसफॉर्मर जैसी नई तकनीक ने कुछ जगहों पर CNN का स्थान ले लिया है, फिर भी डिजिटल इमेज प्रोसेसिंग में CNN का दबदबा बरकरार है। इस तकनीक का उपयोग केवल चित्रों को पहचानने तक सीमित नहीं है। आज के समय में इमेज और वीडियो रिकग्निशन, इमेज क्लासिफिकेशन, मेडिकल इमेज एनालिसिस, इमेज सेगमेंटेशन, रिकमेंडर सिस्टम्स, नेचुरल लैंग्वेज प्रोसेसिंग (NLP), ब्रेन-कंप्यूटर इंटरफेस और फाइनेंशियल टाइम सीरीज़ एनालिसिस जैसे कई जटिल क्षेत्रों में CNN का व्यापक उपयोग हो रहा है।

पारंपरिक नेटवर्क की सीमाएं और CNN का उद्भव

कंप्यूटर विज़न के शुरुआती चरण में ट्रेडिशनल आर्टिफिशियल न्यूरल नेटवर्क का उपयोग होता था। ये नेटवर्क फुली कनेक्टेड (fully connected) प्रकार के थे, जिसमें एक स्तर का प्रत्येक न्यूरॉन (neuron) अगले स्तर के सभी न्यूरॉन्स के साथ जुड़ा रहता था। इस पूर्ण जुड़ाव के कारण नेटवर्क में गणनाओं का प्रमाण अत्यधिक बढ़ जाता था। उदाहरण के लिए, यदि केवल 100 × 100 पिक्सेल (pixel) की एक छोटी तस्वीर प्रोसेस करनी हो, तो दूसरे स्तर के प्रत्येक न्यूरॉन के लिए 10,000 वज़न (weights) की आवश्यकता पड़ती थी। जब बड़ी और उच्च गुणवत्ता वाली तस्वीरें होती थीं, तो इन न्यूरॉन्स की संख्या अरबों में पहुंच जाती थी, जिसके कारण कंप्यूटर की मेमोरी और प्रोसेसिंग पावर घट जाती थी।

इसके अलावा, पारंपरिक नेटवर्क में प्रशिक्षण के दौरान बैकप्रोपैगेशन (backpropagation) प्रक्रिया में वैनिशिंग ग्रेडिएंट (vanishing gradients) और एक्सप्लोडिंग ग्रेडिएंट (exploding gradients) जैसी गंभीर समस्याएं उत्पन्न होती थीं। इसके अलावा डेटा पर अत्यधिक निर्भर रहने के कारण ओवरफिटिंग (overfitting) की समस्या भी बनी रहती थी। इन सीमाओं को दूर करने के लिए CNN आर्किटेक्चर विकसित किया गया। CNN में फिल्टर्स का उपयोग करके वज़न का साझाकरण (weight sharing) किया जाता है। यदि 5 × 5 साइज़ की टाइल पर कनवोल्यूशन प्रक्रिया की जाए, तो प्रति स्तर केवल 25 वज़न की ही आवश्यकता पड़ती है। इससे गणना में असाधारण कमी आती है।

जैविक प्रेरणा: मानव दृष्टि और ह्यूबेल-वीज़ल की खोज

CNN का आर्किटेक्चर मानव और जानवरों के मस्तिष्क के विजुअल कॉर्टेक्स (visual cortex) की जैविक प्रक्रियाओं से प्रेरित है। 1950 और 1960 के दशक में वैज्ञानिकों डेविड ह्यूबेल और टोरस्टेन वीज़ल ने बिल्ली के विजुअल कॉर्टेक्स पर शोध किया था। उन्होंने दर्शाया कि आंख के दृश्य क्षेत्र के विशिष्ट छोटे हिस्से के प्रति ही मस्तिष्क के विशिष्ट न्यूरॉन्स प्रतिक्रिया देते हैं। दृश्य क्षेत्र के इस छोटे सीमित हिस्से को रिसेप्टिव फील्ड (receptive field) कहा जाता है। अलग-अलग न्यूरॉन्स के रिसेप्टिव फील्ड एक-दूसरे पर आंशिक रूप से ओवरलैप होकर पूरे दृश्य क्षेत्र को कवर करते हैं।

ह्यूबेल और वीज़ल ने अपने 1968 के शोध पत्र में मस्तिष्क के दो मुख्य विजुअल सेल टाइप दर्शाए थे: सिंपल सेल्स (simple cells), जो विशिष्ट दिशा वाली सीधी किनारों (edges) को पहचानते हैं; और कॉम्प्लेक्स सेल्स (complex cells), जो बड़े रिसेप्टिव फील्ड रखते हैं और किनारे के विशिष्ट स्थान पर निर्भर रहे बिना उसे पहचान सकते हैं। इसके बाद 1969 में कुनिहिको फुकुशिमा ने इस प्रेरणा से एक मल्टीलेयर विजुअल फीचर डिटेक्शन नेटवर्क प्रस्तुत किया था, जो कन्वेन्शनल नेटवर्क की नींव बना।

CNN की आंतरिक संरचना और मुख्य स्तर

मुख्यतः CNN आर्किटेक्चर में तीन प्रकार के स्तर (layers) होते हैं: इनपुट लेयर, हिडन लेयर्स और आउटपुट लेयर। हिडन लेयर्स में कन्वेन्शनल लेयर, पूलिंग लेयर और फुली कनेक्टेड लेयर का समावेश होता है। जब कोई इमेज CNN में दाखिल होती है, तब उसे गणितीय टेंसर (tensor) स्वरूप में लिया जाता है, जिसकी साइज (इनपुट की संख्या) × (ऊंचाई) × (चौड़ाई) × (कलर चैनल्स) होती है।

कन्वेन्शनल लेयर (Convolutional Layer) CNN का हृदय है। इस स्तर में कन्वेन्शन कर्नल (फिल्टर) और इनपुट मैट्रिक्स के बीच डॉट प्रोडक्ट (dot product) की गणना होती है। इस प्रक्रिया को फ्रोबेनियस इनर प्रोडक्ट कहा जाता है। इसके बाद उसके परिणाम को ReLU (Rectified Linear Unit) जैसे एक्टिवेशन फंक्शन से गुजारा जाता है। जैसे-जैसे फिल्टर पूरी इमेज पर स्लाइड होता है, वैसे-वैसे वह एक फीचर मैप (feature map) या एक्टिवेशन मैप तैयार करता है। चित्र की प्राथमिक धार, रंगों और आकारों को पहचानने का काम यह स्तर करता है।

प्रोसेसिंग तेज करने के लिए स्टैंडर्ड कन्वेन्शनल लेयर की जगह डेप्थवाइज सेपरेबल कन्वेन्शनल लेयर का उपयोग भी किया जाता है, जिसमें डेप्थवाइज कन्वेन्शन और पॉइंटवाइज (1 × 1 कर्नल) कन्वेन्शन का अलग से उपयोग किया जाता है। यह तकनीक गणना का समय घटाती है।

पूलिंग और फुली कनेक्टेड स्तरों का महत्व

कन्वोल्यूशनल लेयर के बाद डेटा को पूलिंग लेयर (Pooling Layer) में भेजा जाता है। पूलिंग लेयर का मुख्य उद्देश्य फीचर मैप के गणितीय आयामों (dimensions) को कम करना है। इस प्रक्रिया में सामान्यतः 2 × 2 के छोटे क्लस्टर का उपयोग किया जाता है। पूलिंग के मुख्य दो प्रकार हैं: मैक्स पूलिंग (Max Pooling) और एवरेज पूलिंग (Average Pooling)। मैक्स पूलिंग में चुने गए छोटे हिस्से से सबसे बड़ा मान (maximum value) लिया जाता है, जबकि एवरेज पूलिंग में सभी मानों का औसत निकाला जाता है।

यह प्रक्रिया डेटा की गणना को सरल बनाती है और नेटवर्क को इमेज में होने वाले छोटे-बड़े बदलावों के प्रति सक्षम बनाती है। इसके बाद अंत में फुली कनेक्टेड लेयर (Fully Connected Layer) आता है। यहाँ तक प्राप्त सभी फीचर मैप्स को एक सीधी रेखा जैसे एक-आयामी वेक्टर में फ्लैटन (flatten) किया जाता है। इस स्तर में सभी न्यूरॉन्स एक-दूसरे से जुड़े होते हैं और यह पारंपरिक मल्टीलेयर परसेप्ट्रॉन (MLP) की तरह ही काम करता है, जो अंतिम आउटपुट या इमेज का वर्गीकरण (classification) प्रदान करता है।

इमेज जनरेटर्स में CNN की रिवर्स प्रक्रिया यानी डीकन्वोल्यूशनल न्यूरल नेटवर्क (Deconvolutional Neural Network) का उपयोग होता है। इसमें डीकन्वोल्यूशनल लेयर और अनपूलिंग लेयर्स होते हैं। यह मैट्रिक्स के ट्रांसपोज़ गुणन द्वारा चित्र को फिर से बड़ा और स्पष्ट करने का काम करता है।

भविष्य की दिशा और भारत के लिए महत्व

पारंपरिक इमेज प्रोसेसिंग एल्गोरिदम में इंजीनियरों को स्वयं फिल्टर डिजाइन करने पड़ते थे, जबकि CNN स्वचालित रूप से सर्वश्रेष्ठ फिल्टर सीख लेता है। इसी कारण यह अत्यंत कार्यक्षम और स्केलेबल है। इस क्षेत्र में भारत के लिए यह तकनीक कृषि क्षेत्र में फसलों की बीमारियों को पहचानने, चिकित्सा क्षेत्र में एक्स-रे और एमआरआई स्कैन के स्वचालित विश्लेषण करने, और स्मार्ट सिटी प्रोजेक्ट्स में ट्रैफिक मैनेजमेंट के लिए क्रांतिकारी साबित हो रही है। गणितीय जटिलता को कम करके विजुअल डेटा को मशीन के लिए सुगम बनाने की क्षमता ही CNN को आर्टिफिशियल इंटेलिजेंस का मजबूत और विश्वसनीय अंग बनाती है।