🤖 machine learning

Learning Color Equivariant Representations

यह शोध पत्र ग्रुप कनवल्शनल न्यूरल नेटवर्क (GCNNs) को प्रस्तुत करता है जो अमान्य RGB मानों से बचने के लिए एक लिफ्टिंग लेयर का उपयोग करके ह्यू (hue), सैचुरेशन (saturation) और ल्यूमिनेंस (luminance) विविधताओं के प्रति सुदृढ़ इक्विवैरिएंस (equivariance) प्राप्त करते हैं, जिसके परिणामस्वरूप पारंपरिक आर्किटेक्चर की तुलना में बेहतर सामान्यीकरण और सैंपल दक्षता प्राप्त होती है।

मूल लेखक: Yulong Yang, Felix O'Mahony, Christine Allen-Blanchette

प्रकाशित 2026-04-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yulong Yang, Felix O'Mahony, Christine Allen-Blanchette

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को वस्तुओं को पहचानना सिखा रहे हैं, जैसे कि एक लाल सेब या एक नीली कार। आप उसे हजारों तस्वीरें दिखाते हैं, और वह यह कहना सीख जाता है, "यह एक सेब है!" लेकिन यहाँ एक समस्या है: यदि आप रोबोट को उसी सेब की एक तस्वीर दिखाते हैं जो एक पीली स्ट्रीटलैंप के नीचे ली गई है, या यदि फोटो ऐसी कैमरा से ली गई है जो सब कुछ थोड़ा हरा दिखाता है, तो रोबोट भ्रमित हो सकता है। उसे लग सकता है, "रुको, यह अब सेब नहीं रहा; यह एक अजीब पीले-हरे रंग का धब्बा है।"

ऐसा इसलिए होता है क्योंकि अधिकांश AI मॉडल उन छात्रों की तरह होते हैं जो अपनी पाठ्यपुस्तक में देखे गए लाल रंग के सटीक शेड को रट लेते हैं। उन्होंने "लालपन" की उस अवधारणा (concept) को नहीं सीखा है जो प्रकाश बदलने पर भी समान रहती है।

यह शोध पत्र आपको इन रोबोटों को सिखाने का एक नया तरीका पेश करता है, जिसे लर्निंग कलर इक्विवेरिएंट रिप्रेजेंटेशन्स (Learning Color Equivariant Representations) कहा जाता है। यहाँ उन्होंने जो किया है उसका सरल विवरण दिया गया है, कुछ रोजमर्रा के उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "टूटे हुए फिल्टर" वाला दृष्टिकोण

इस पेपर से पहले, शोधकर्ताओं ने इसे एक विशेष गणितीय ट्रिक का उपयोग करके हल करने की कोशिश की थी जिसे "ग्रुप कनवल्शनल न्यूरल नेटवर्क" (GCNN) कहा जाता है। एक मानक AI को निश्चित चाकू सेट वाले एक शेफ के रूप में सोचें। एक GCNN उस शेफ की तरह है जिसके पास जादुई चाकू का सेट है जो भोजन के अनुरूप खुद को स्वचालित रूप से घुमा या आकार बदल सकता है।

हालाँकि, रंगों (विशेष रूप से "ह्यू" या hue, जो रंग चक्र की स्थिति है जैसे लाल, नीला या हरा) के लिए इन चाकुओं को काम करने के लिए बनाने के पिछले प्रयास में एक बड़ी खामी थी।

पुराना तरीका (CEConv): कल्पना कीजिए कि आप अपने मन में एक लाल सेब को नीला बनाने के लिए घुमाने की कोशिश कर रहे हैं। यदि आप रंग का प्रतिनिधित्व करने वाली संख्याओं को घुमाते हैं, तो आप "नकारात्मक लाल" या "सुपर-ब्राइट हरा" प्राप्त कर सकते हैं, जो वास्तविक दुनिया में मौजूद नहीं है। यह रंगों के मिश्रण जैसा है जहाँ आप पेंट मिलाने की कोशिश करते हैं और अंत में ऐसा रंग प्राप्त करते हैं जो पैलेट पर ही मौजूद नहीं है। कंप्यूटर को इन असंभव रंगों को वापस अस्तित्व में लाने के लिए मजबूर करना पड़ता था, जिससे गणित टूट जाता था और AI भ्रमित हो जाता था।

2. समाधान: "मैजिक लिफ्टिंग" लेयर

लेखकों ने इस बात को बदलकर ठीक किया कि वे जादू कहाँ लागू करते हैं।

नया तरीका: "चाकुओं" (फिल्टर्स) को घुमाने और असंभव रंग बनाने के बजाय, वे सीधे AI को खिलाने से पहले पूरी तस्वीर को ही घुमा देते हैं।
उपमा: कल्पना कीजिए कि आपके पास एक लाल कार की फोटो है। भौतिकी के नियमों को तोड़े बिना कार को गणितीय रूप से नीला दिखाने की कोशिश करने के बजाय, आप बस फोटो लेते हैं, अपने एडिटिंग सॉफ्टवेयर पर कलर व्हील घुमाते हैं, और वह नई फोटो रोबोट को थमा देते हैं।
परिणाम: क्योंकि वे वास्तविक संख्याओं पर काम करने के लिए गणित को जबरदस्ती लागू करने के बजाय वास्तव में छवि को रूपांतरित कर रहे हैं, इसलिए AI कभी भी "असंभव रंगों" को नहीं देखता है। इसने सिस्टम को रंग परिवर्तनों को समझने में पिछले तरीके की तुलना में 1,000 गुना अधिक सटीक बना दिया।

3. टूलकिट का विस्तार: केवल 'ह्यू' ही नहीं, बल्कि 'सैचुरेशन' और 'ब्राइटनेस' भी

लेखकों ने महसूस किया कि रंग केवल इस बारे में नहीं है कि वह क्या रंग है (Hue)। यह इस बारे में भी है कि:

सैचुरेशन (Saturation): रंग कितना "चमकदार" या "फीका" है (जैसे एक चमकीला नियॉन हरा बनाम एक हल्का मिंट हरा)।
ल्यूमिनेंस (Luminance): छवि कितनी उज्ज्वल या गहरी है (जैसे दोपहर में ली गई फोटो बनाम सूर्यास्त के समय ली गई फोटो)।

उन्होंने एक ऐसा सिस्टम बनाया जो इन तीनों को समझता है।

उपमा: एक मानक AI को एक ऐसे व्यक्ति के रूप में सोचें जो केवल गाने को उसकी धुन (melody) से पहचानता है। यदि आप वॉल्यूम (Luminance) या वाद्य यंत्र (Saturation) बदलते हैं, तो वे उसे पहचान नहीं पाते।
नया AI: यह नया सिस्टम समझता है कि एक गाना वही गाना है चाहे वह जोर से बजाया जाए, धीरे बजाया जाए, पियानो पर हो, या गिटार पर। यह रंग के केवल विशिष्ट नंबरों को नहीं, बल्कि उसके "सार" (soul) को समझता है।

4. यह क्यों मायने रखता है? ("सुपरपावर")

यह पेपर दिखाता है कि यह नया AI अविश्वसनीय रूप से कुशल और मजबूत है।

"फ्यू-शॉट" (Few-Shot) सुपरपावर: आमतौर पर, AI को सीखने के लिए दस लाख उदाहरणों की आवश्यकता होती है। यह नया AI "लाल" या "नीले" की अवधारणा को बहुत कम उदाहरणों के साथ सीख सकता है क्योंकि यह रंग के नियमों को समझता है, न कि केवल उदाहरणों को। यह एक ऐसे छात्र की तरह है जो केवल एक शब्दकोश को रटने के बजाय भाषा के व्याकरण के नियमों को सीखता है।
"वास्तविक दुनिया" की सुपरपावर: वास्तविक दुनिया में, रोशनी लगातार बदलती रहती है। एक अस्पताल में मेडिकल स्कैनर दूसरे अस्पताल के मुकाबले थोड़ा अलग दिख सकता है। लेखकों ने चिकित्सा छवियों (ऊतक नमूनों) पर इसका परीक्षण किया और पाया कि उनका AI अभी भी बीमारियों को पहचान सकता था भले ही रंगों को बदल दिया गया हो, जबकि मानक AI बुरी तरह विफल रहे।
"सॉर्टिंग" (Sorting) सुपरपावर: क्योंकि AI रंगों को बहुत अच्छी तरह समझता है, आप इसे मिश्रित कारों के ढेर को उनके रंग के आधार पर छाँटने के लिए कह सकते हैं, और यह इसे पूरी तरह से करता है। मानक AI भ्रमित हो जाते हैं और उन्हें मिला देते हैं।

सारांश

संक्षेप में, लेखकों ने एक नए प्रकार का AI बनाया जो रंग परिवर्तनों (जैसे लाल से नीला होना, या चमकीले से गहरा होना) को ज्यामितीय गतिविधियों (geometric movements) के रूप में मानता है, ठीक वैसे ही जैसे हम किसी आकार को घुमाने को समझते हैं।

इन नेटवर्कों में रंग को संभालने के गणितीय "ग्लिच" को ठीक करके, उन्होंने एक ऐसा सिस्टम बनाया जो:

कभी भी "असंभव रंगों" को नहीं देखता।
तेजी से सीखता है (इसे कम प्रशिक्षण चित्रों की आवश्यकता होती है)।
वास्तविक दुनिया में बेहतर काम करता है जहाँ रोशनी और कैमरे भिन्न होते हैं।

यह AI को एक चश्मे देने जैसा है जो उसे वस्तु का वास्तविक रूप देखने में मदद करता है, चाहे धूप चमक रही हो, बारिश हो रही हो, या कैमरा पुराना हो।

यहाँ शोध पत्र "Learning Color Equivariant Representations" (ICLR 2025) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कन्वोल्यूशनल न्यूरल नेटवर्क्स (CNNs) ने इमेज क्लासिफिकेशन में उल्लेखनीय सफलता प्राप्त की है, लेकिन वे अक्सर अनुभवात्मक विविधताओं (perceptual variations), विशेष रूप से रंग (ह्यू, सैचुरेशन और ल्युमिनेंस) में बदलाव के प्रति संवेदनशील होते हैं।

वर्तमान सीमाएँ: मानक CNNs अलग-अलग प्रकाश स्थितियों, सेंसरों या डेटा संग्रह प्रोटोकॉल (जैसे, विभिन्न प्रयोगशालाओं से मेडिकल इमेजिंग) के कारण होने वाले रंग परिवर्तनों के प्रति संवेदनशील होते हैं।
मौजूदा समाधान:
- डेटा ऑग्मेंटेशन (Data Augmentation): यह प्रशिक्षण समय को बढ़ाता है और अनदेखी शिफ्ट के लिए मजबूती की गारंटी नहीं देता है।
- रंग अपरिवर्तनीयता (Color Invariance): छवियों को ग्रेस्केल में बदलना या अपरिवर्तनीयता लागू करना रंग की जानकारी को हटा देता है, जो वर्गीकरण के लिए एक महत्वपूर्ण संकेत हो सकता है।
- पिछले GCNNs (CEConv): लेंजेल एट अल (2024) ने ह्यू इक्विवेरिएंस (hue equivariance) के लिए एक ग्रुप कन्वोल्यूशनल न्यूरल नेटवर्क (GCNN) प्रस्तावित किया था। हालाँकि, उनका दृष्टिकोण फिल्टर्स को लिफ्ट करता है न कि इनपुट को। RGB कलर स्पेस में, ह्यू शिफ्ट को सिम्युलेट करने के लिए फिल्टर्स को घुमाने से अक्सर अमान्य RGB मान ( [0, 1] या [0, 255] क्यूब के बाहर के मान) उत्पन्न होते हैं। इन अमान्य मानों को वापस प्रोजेक्ट करना पड़ता है, जिससे इक्विवेरिएंस (equivariance) का गणितीय गुण टूट जाता है और आर्टिफैक्ट्स (artifacts) उत्पन्न होते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक नया ग्रुप कन्वोल्यूशनल न्यूरल नेटवर्क आर्किटेक्चर प्रस्तावित करते हैं जो HSL (Hue, Saturation, Luminance) कलर स्पेस की ज्यामितीय संरचना का लाभ उठाकर ह्यू, सैचुरेशन और ल्युमिनेंस शिफ्ट के प्रति सख्त इक्विवेरिएंस प्राप्त करता है।

A. ज्यामितीय सूत्रीकरण (Geometric Formulation)

लेखक रंग विविधताओं को 'ग्रुप एक्शन' के रूप में मॉडल करते हैं:

ह्यू ग्रुप ( $H_N$ ): इसे डिस्क्रीट साइक्लिक ग्रुप $C_N$ (2D रोटेशन ग्रुप) के रूप में मॉडल किया गया है। एक ह्यू शिफ्ट, ह्यू चैनल में रोटेशन के अनुरूप होती है।
सैचुरेशन ग्रुप ( $S_N$ ) और ल्युमिनेंस ग्रुप ( $L_N$ ): इन्हें पूर्णांक ट्रांसलेशन ग्रुप $(\mathbb{Z}, +)$ के डिस्क्रीट सबसेट्स के रूप में मॉडल किया गया है। सैचुरेशन और ल्युमिनेंस में बदलाव को ट्रांसलेशन के रूप में माना जाता है।
संयुक्त क्रिया (Combined Action): नेटवर्क इन समूहों के प्रोडक्ट स्पेस (जैसे, ह्यू-सैचुरेशन ग्रुप) को हैंडल करता है।

B. मुख्य नवाचार: इनपुट लिफ्टिंग (The Core Innovation: Input Lifting)

सबसे महत्वपूर्ण तकनीकी योगदान लिफ्टिंग लेयर (Lifting Layer) का डिज़ाइन है।

CEConv दृष्टिकोण (दोषपूर्ण): यह RGB स्पेस में फिल्टर्स को घुमाकर उन्हें लिफ्ट करता है। इससे अधिकांश विवक्तीकरण ( $N \neq 1, 3$ ) के लिए अमान्य RGB मान उत्पन्न होते हैं, जिसके लिए प्रोजेक्शन की आवश्यकता होती है जो इक्विवेरिएंस को तोड़ देता है।
प्रस्तावित दृष्टिकोण (सही): यह सीधे इनपुट इमेज को लिफ्ट करता है।
- इनपुट इमेज को HSL स्पेस में परिवर्तित किया जाता है।
- लिफ्टिंग लेयर इनपुट इमेज के पिक्सेल मानों पर सीधे ग्रुप एक्शन (ह्यू रोटेशन या सैचुरेशन/ल्युमिनेंस शिफ्ट) लागू करती है।
- चूंकि HSL मान स्वाभाविक रूप से सीमित और चक्रीय (ह्यू के लिए) या रैखिक (सैचुरेशन/ल्युमिनेंस के लिए) होते हैं, इसलिए यह रूपांतरण प्रतिवर्ती (invertible) है और कोई अमान्य मान उत्पन्न नहीं करता है।
- इसके बाद नेटवर्क इस लिफ्टेड रिप्रेजेंटेशन पर ग्रुप कन्वोल्यूशन करता है।

C. नेटवर्क आर्किटेक्चर (Network Architecture)

लिफ्टिंग लेयर: इनपुट $f^0$ को ग्रुप स्पेस $f^1$ में रूपांतरित करती है $f^1(gx, j) = \phi(h_j, f^0)(x)$ के माध्यम से, जहाँ $\phi$ इमेज पर ग्रुप एक्शन है।
ग्रुप कन्वेल्शन: आगामी परतें उत्पाद स्थान $Z^2 \times G$ (स्थानिक ग्रिड $\times$ कलर ग्रुप) पर कन्वेल्शन करती हैं, यह सुनिश्चित करती हैं कि इनपुट कलर स्पेस में शिफ्ट होने पर फीचर मैप स्पेस में भी संगत शिफ्ट हो।
पूलिंग: अंतिम परतें वर्गीकरण के लिए इनवेरिएंट (invariant) रिप्रेजेंटेशन बनाने के लिए ग्रुप पूलिंग का उपयोग करती हैं।

3. प्रमुख योगदान (Key Contributions)

अमान्य RGB आर्टिफैक्ट्स का समाधान: RGB फिल्टर्स को घुमाने के बजाय HSL स्पेस में इनपुट इमेज को लिफ्ट करके, लेखक अमान्य रंग मानों को समाप्त करते हैं। यह CEConv की तुलना में इक्विवेरिएंस त्रुटि को तीन आदेशों (three orders of magnitude) से अधिक कम कर देता है।
सैचुरेशन और ल्युमिनेंस तक विस्तार: यह पेपर केवल ह्यू से आगे बढ़कर रंग इक्विवेरिएंस का सामान्यीकरण करता है, जिसमें सैचुरेशन और ल्युमिनेंस शिफ्ट के लिए नेटवर्क पेश किए गए हैं, जिन्हें पिछले कार्यों ने अनदेखा कर दिया था।
सैद्धांतिक कठोरता: लेखक औपचारिक प्रमाण प्रदान करते हैं कि प्रस्तावित डिस्क्रीट ह्यू और सैचुरेशन समूह समूह अभिलेखों (group axioms) को संतुष्ट करते हैं और परिभाषित क्रियाएं ग्रुप एक्शन गुणों को पूरा करती हैं।
सैंपल दक्षता (Sample Efficiency): यह आर्किटेक्चर उच्च सैंपल दक्षता प्रदर्शित करता है, जो पारंपरिक CNNs की तुलना में काफी कम प्रशिक्षण डेटा के साथ तुलनीय या बेहतर प्रदर्शन प्राप्त करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने कई डेटासेट्स पर अपने मॉडलों (Hue-N, Sat-N, और संयुक्त वेरिएंट) का मूल्यांकन Z2CNN, ResNet, और CEConv के विरुद्ध किया:

Hue-Shift MNIST:
- सामान्यीकरण (Generalization): अनदेखे ह्यू शिफ्ट वाले आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) टेस्ट सेट पर, प्रस्तावित मॉडल कम त्रुटि (~~1.8%) बनाए रखता है, जबकि मानक CNN विफल (~~57%) हो जाता है।
- सैंपल दक्षता: प्रस्तावित मॉडल और बेसलाइन के बीच प्रदर्शन का अंतर प्रशिक्षण डेटा की मात्रा कम होने पर बढ़ता जाता है।
3D Shapes (Local Hue Shift):
- मॉडल ने OOD लोकल ह्यू शिफ्ट पर लगभग पूर्ण सटीकता (0.00% त्रुटि) प्राप्त की, जो CEConv से काफी बेहतर है, जो फीचर मैप आर्टिफैक्ट्स से ग्रस्त था।
Camelyon17 (मेडिकल इमेजिंग में सैचुरेशन शिफ्ट):
- ऊतक स्टेनिंग (सैचुरेशन) के कारण डोमेन शिफ्ट वाले एक वास्तविक दुनिया के मेडिकल डेटासेट में, Sat-3 मॉडल ने वर्गीकरण त्रुटि को 28.91% (ResNet50) से घटाकर 16.08% कर दिया।
वास्तविक दुनिया के डेटासेट (Caltech-101, Oxford Pets, Stanford Cars, CIFAR):
- रंग-इक्विवेरिएंट नेटवर्क लगातार CEConv से बेहतर रहे और ResNet बेसलाइन्स के साथ प्रतिस्पर्धी या उनसे बेहतर रहे, विशेष रूप से उन सूक्ष्म वर्गीकरण कार्यों में जहाँ रंग एक विभेदक विशेषता (discriminative feature) है।
कलर सॉर्टिंग (Color Sorting):
- लेखकों ने एक अनूठा अनुप्रयोग प्रदर्शित किया: सीखे गए फीचर मैप्स का उपयोग करके छवियों को रंग के आधार पर क्रमबद्ध करना। इक्विवेरिएंट संरचना ने प्राकृतिक ह्यू-आधारित सॉर्टिंग की अनुमति दी, एक ऐसा कार्य जिसे पारंपरिक CNN विश्वसनीय रूप से करने में विफल रहे।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र ज्यामितीय डीप लर्निंग और अनुभवात्मक मजबूती (perceptual robustness) के बीच के अंतर को पाटता है। रंग विविधताओं को एक ग्रुप स्ट्रक्चर के भीतर ज्यामितीय रूपांतरणों के रूप में मानकर, लेखक ऐसे नेटवर्क बनाते हैं जो भंगुर अनुमानों (brittle heuristics) या डेटा ऑग्मेंटेशन पर निर्भर होने के बजाय डिज़ाइन द्वारा इक्विवेरिएंट (equivariant by design) हैं।

प्रभाव: यह कार्य पिछले कलर-इक्विवेरिएंट नेटवर्क्स की एक महत्वपूर्ण खामी (अमान्य RGB मान) को हल करता है, जिससे यह दृष्टिकोण सैद्धांतिक रूप से सुदृढ़ और व्यावहारिक रूप से श्रेष्ठ बन जाता है।
अनुप्रयोग: यह विधि उन क्षेत्रों के लिए विशेष रूप से मूल्यवान है जहाँ रंग परिवर्तनशीलता अधिक होती है, जैसे कि मेडिकल इमेजिंग (हिस्टोलॉजी स्लाइड्स), रिमोट सेंसिंग, और स्वायत्त ड्राइविंग (autonomous driving), जहाँ प्रकाश और सेंसर की स्थितियाँ बदलती रहती हैं लेकिन अंतर्निहित सिमेंटिक सामग्री स्थिर रहती है।
भावी कार्य: लेखक स्वीकार करते हैं कि फ़िल्टर ऑर्बिट कंप्यूटेशन के कारण GCNNs, मानक CNNs की तुलना में कम्प्यूटेशनल रूप से अधिक महंगे हैं और दक्षता को और अनुकूलित करने के लिए निरंतर ग्रुप रिप्रेजेंटेशन (continuous group representations) पर भविष्य के कार्य का सुझाव देते हैं।