Do Open-Vocabulary Detectors Transfer to Aerial Imagery? A Comparative Evaluation

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट सुरक्षा गार्ड है जिसने अपना पूरा जीवन सड़क पर चलते लोगों के वीडियो देखने में बिता दिया है। वह बगल से दिखने वाले "कारें," "कुत्ते," और "साइकिल" जैसी चीजों को पहचानने में उत्कृष्ट है। आप इस गार्ड को एक लाइव फीड देखने के लिए काम पर रखते हैं जो सीधे पृथ्वी की ओर ऊपर से देख रही है (सैटेलाइट व्यू)।

यह शोध पत्र एक सरल प्रश्न पूछता है: क्या यह सड़क-प्रशिक्षित गार्ड बिना किसी नए प्रशिक्षण के अचानक आसमान से चीजों को पहचानने में विशेषज्ञ बन सकता है?

शोधकर्ताओं के अनुसार इसका उत्तर है: "नहीं, वास्तव में नहीं।" यहाँ सरल उपमाओं का उपयोग करके उनके निष्कर्षों का विवरण दिया गया है:

1. "आसमान बनाम सड़क" का बेमेल होना (The "Sky vs. Street" Mismatch)

गार्ड (AI मॉडल) "स्ट्रीट-लेवल" फोटो पर प्रशिक्षित है। वह जानता है कि एक कार बगल से कैसी दिखती है (पहिए, दरवाजे, हेडलाइट्स)। लेकिन जब सैटेलाइट से नीचे की ओर देखा जाता है, तो एक कार बिना पहियों वाले एक छोटे आयत (rectangle) जैसी दिखती है।

• समस्या: AI एक ऐसे "साइड प्रोफाइल" को खोजने की कोशिश कर रहा है जो मौजूद ही नहीं है। यह वैसा ही है जैसे किसी ऐसे व्यक्ति से बिल्ली को पहचानने के लिए कहना जो केवल उसके चेहरे से बिल्ली को पहचानना जानता हो, लेकिन अब उसे बिल्ली के सिर के ऊपरी हिस्से से पहचानना हो। दृश्य विशेषताएं (visual features) पूरी तरह से अलग हैं।

2. "भ्रमित लाइब्रेरियन" (The "Confused Librarian" - Semantic Confusion)

शोधकर्ताओं ने AI का परीक्षण उन 80 अलग-अलग चीजों की एक सूची के साथ किया जिन्हें उसे ढूंढना पड़ सकता है (कार, नाव, विमान, चिमनी, आदि)।

• प्रयोग में दो परिदृश्य थे:
  • परिदृश्य A (अराजकता मोड - Chaos Mode): उन्होंने AI को एक साथ 80 वस्तुओं की पूरी सूची दी।
  • परिदृश्य B (केंद्रित मोड - Focused Mode): उन्होंने AI को बताया, "बस इस तस्वीर में इस एक विशिष्ट चीज़ को ढूंढो।"
• परिणाम: अराजकता मोड में, AI बहुत खराब प्रदर्शन कर रहा था। वह भ्रमित हो गया क्योंकि कई चीजें सुनने में समान लगती हैं (जैसे, "शिप" बनाम "बोट" बनाम "टैंकर")। वह ऐसी चीजें देखने लगा जो वहां थीं ही नहीं।
• जादुई समाधान: जब उन्होंने केंद्रित मोड (AI को एक बार में 80 के बजाय केवल 3 या 4 चीजें दिखाने) पर स्विच किया, तो AI का प्रदर्शन 15 गुना बढ़ गया।
• सबक: AI "अंधा" नहीं था; वह बस अभिभूत (overwhelmed) हो गया था। यह एक लाइब्रेरियन की तरह है जो एक ऐसे कमरे में एक विशिष्ट पुस्तक खोजने की कोशिश कर रहा है जहाँ 80 पुस्तकों के शीर्षक एक जैसे हैं। यदि आप खोज को केवल 3 पुस्तकों तक सीमित कर देते हैं, तो वह उसे आसानी से ढूंढ लेगा। मुख्य समस्या वस्तु को देखना नहीं थी, बल्कि बहुत सारे विकल्पों के शोर के बीच उसे छांटना था।

3. "खराब अनुवादक" (The "Bad Translator" - Prompt Engineering)

शोधकर्ताओं ने वस्तुओं का वर्णन करने के लिए उपयोग किए जाने वाले शब्दों को बदलकर AI की मदद करने की कोशिश की। उन्होंने "एरियल व्यू ऑफ अ कार" (कार का हवाई दृश्य) जैसे वाक्यांश जोड़ने या "शिप" के बजाय "वेसल" जैसे पर्यायवाची शब्दों का उपयोग करने की कोशिश की।

• परिणाम: इससे कोई मदद नहीं मिली। वास्तव में, इसने चीजों को अक्सर और भी खराब कर दिया।
• उपमा: कल्पना कीजिए कि AI एक अनुवादक है जो केवल "स्ट्रीट लैंग्वेज" बोलता है। आप उन्हें नए शब्दों का शब्दकोश देकर "स्काई लैंग्वेज" सिखाने की कोशिश करते हैं। लेकिन अनुवादक अभी भी अपनी सड़क-प्रशिक्षित आंखों से दुनिया को देखता है। कोई भी नया शब्द शब्दावली (vocabulary) उस तथ्य को ठीक नहीं कर सकती कि उनकी आंखें गलत दृश्य संकेतों (visual clues) की तलाश कर रही हैं। AI केवल टेक्स्ट बदलकर "आसमान" के संदर्भ को नहीं समझ सका।

4. "दो चरम व्यक्तित्व" (The "Two Extreme Personalities")

शोधकर्ताओं ने देखा कि विभिन्न AI मॉडल कैसे व्यवहार करते हैं, और वे दो समूहों में बंट गए:

• "शंकालु" गार्ड (रूढ़िवादी मॉडल - Conservative Models): ये मॉडल बहुत सावधान थे। वे केवल तभी चिल्लाते थे "मुझे कुछ दिख रहा है!" जब वे 100% सुनिश्चित होते थे। परिणाम? उन्होंने गलतियां बहुत कम कीं, लेकिन उन्होंने लगभग सब कुछ मिस कर दिया (जैसे 97% वस्तुओं को)। वे अनुमान लगाने से बहुत डरते थे।
• "झूठ बोलने वाला" गार्ड (आक्रामक मॉडल - Aggressive Models): ये मॉडल लगातार चिल्लाते थे "मुझे कुछ दिख रहा है!" उन्होंने लगभग सभी वास्तविक वस्तुओं को ढूंढ लिया, लेकिन उन्होंने हजारों फर्जी चीजें भी बनाईं (hallucinations)। जितनी वास्तविक कारें उन्होंने पाईं, उतनी ही फर्जी कारों का उन्होंने आविष्कार भी किया।
• वास्तविकता: दोनों में से कोई भी दृष्टिकोण वास्तविक ड्रोन या सैटेलाइट मिशन के लिए काम नहीं करता है। आप न तो ऐसा गार्ड चाहते हैं जो सब कुछ मिस कर दे, और न ही ऐसा जो भूतों के पीछे भागने में आपका समय बर्बाद करे।

5. "नाजुक कांच" (The "Fragile Glass" - Dataset Sensitivity)

शोधकर्ताओं ने AI का परीक्षण विभिन्न प्रकार की हवाई छवियों पर किया (कुछ स्पष्ट, कुछ भीड़भाड़ वाली, कुछ बहुत दूर से ली गई)।

• परिणाम: AI "साफ" छवियों (जैसे पार्किंग स्थल) पर ठीक काम करता है। लेकिन जैसे ही छवियां बहुत छोटी वस्तुओं के साथ भीड़भाड़ वाली हुईं या अजीब कोणों वाली हुईं, AI का प्रदर्शन गिर गया।
• उपमा: यह एक ऐसे छात्र की तरह है जो स्पष्ट, बड़े अक्षरों वाले अभ्यास टेस्ट में 'A' ग्रेड प्राप्त करता है, लेकिन जैसे ही टेस्ट में बहुत छोटे, धुंधले अक्षर आते हैं, वह तुरंत फेल हो जाता है। AI "भंगुर" (brittle) है—जब स्थितियां बदलती हैं तो यह टूट जाता है।

निष्कर्ष (The Bottom Line)

शोध पत्र निष्कर्ष निकालता है कि वर्तमान "ओपन-वोकैबुलरी" AI मॉडल (जो सड़क की तस्वीरों में नई चीजें खोजने में बेहतरीन हैं) हवाई उपयोग के लिए तैयार नहीं हैं।

वे इसलिए विफल नहीं होते क्योंकि वे टेक्स्ट प्रॉम्प्ट को "पढ़" नहीं सकते, बल्कि इसलिए कि:

1. वे गलत दृश्य विशेषताओं (साइड व्यू बनाम टॉप-डाउन व्यू) की तलाश कर रहे हैं।
2. वे एक साथ बहुत अधिक श्रेणियों को दिए जाने पर भ्रमित हो जाते हैं।
3. वे वास्तविक दुनिया के सैटेलाइट डेटा की अव्यवस्थित और भीड़भाड़ वाली वास्तविकता को संभालने के लिए बहुत नाजुक हैं।

भविष्य में इसे काम करने योग्य बनाने के लिए, हम केवल टाइप किए जाने वाले शब्दों को बदलकर काम नहीं चला सकते; हमें AI को मौलिक रूप से फिर से प्रशिक्षित या पुनर्गठित करने की आवश्यकता है ताकि वह समझ सके कि आसमान से दुनिया कैसी दिखती है।