💻 computer science

Motion-Aware Reinforcement Learning For Object Localization

यह शोध पत्र MARLNet का परिचय देता है, जो एक PPO-आधारित सुदृढीकरण शिक्षण (reinforcement learning) एजेंट है जो ऑब्जेक्ट डिटेक्शन बाउंडिंग बॉक्स को परिष्कृत करने के लिए मोशन प्रायर्स (motion priors) और एक्शन स्मूथनेस पेनल्टीज़ (action smoothness penalties) को एकीकृत करता है, जिससे VOC और VisDrone डेटासेट पर निरंतर प्रदर्शन लाभ प्राप्त होता है और रिवॉर्ड इंटरफेरेंस (reward interference) तथा प्रतिनिधित्व संबंधी सीमाओं को संबोधित किया जाता है।

मूल लेखक: Prithvi Raj Singh, Satyendra Singh

प्रकाशित 2026-06-23✓ Author reviewed ⓘ

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Prithvi Raj Singh, Satyendra Singh

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक बहुत ही स्मार्ट लेकिन थोड़ा अनाड़ी रोबोट है जो एक फोटो में बिल्ली के चारों ओर एक बॉक्स बनाने की कोशिश कर रहा है। रोबोट बिल्ली को खोजने में तो माहिर है, लेकिन उसका बनाया हुआ बॉक्स अक्सर या तो बहुत बड़ा होता है, या बहुत छोटा, या थोड़ा इधर-उधर होता है।

कंप्यूटर विज़न की दुनिया में, इसे ऑब्जेक्ट लोकलाइजेशन (Object Localization) कहा जाता है। आप जिस पेपर के बारे में पूछ रहे हैं, वह इन "अनाड़ी" बॉक्सेस को ठीक करने के लिए MARLNet नामक एक नया सिस्टम पेश करता है।

यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. समस्या: "वन-शॉट" की गलती

अधिकांश आधुनिक AI डिटेक्टर एक ही बार में अनुमान लगाकर एक सटीक बॉक्स बनाने की कोशिश करते हैं। यह एक पट्टी (blindfold) बांधकर डार्ट बोर्ड के केंद्र पर निशाना लगाने जैसा है, और फिर इस उम्मीद करने जैसा है कि आप पहली बार में ही बिल्कुल सही निशाना लगा लेंगे। यदि वे चूक जाते हैं, तो AI के पास खुद को सुधारने का कोई तरीका नहीं होता; वह बस उस खराब बॉक्स को स्वीकार कर लेता है।

2. समाधान: एक "दूसरी राय" देने वाला एजेंट

लेखकों ने एक "रिफाइनमेंट एजेंट" (सुधार करने वाला एजेंट) बनाया है। इस एजेंट को एक परफेक्शनिस्ट एडिटर (पूर्णतावादी संपादक) के रूप में सोचें।

चरण 1: मुख्य डिटेक्टर एक कच्चा ड्राफ्ट (एक बॉक्स) बाहर निकालता है।
चरण 2: एडिटर उस बॉक्स को देखता है, उस पर ज़ूम करता है, और कहता है, "हम्म, यह थोड़ा बाईं ओर ज्यादा है। चलिए इसे थोड़ा खिसकाते हैं।"
चरण 3: एडिटर एक छोटा सा बदलाव करता है, फिर से देखता है, और शायद फिर से थोड़ा खिसकाता है।
चरण 4: जब एडिटर संतुष्ट हो जाता है, तो वह रुक जाता है और कहता है, "हो गया।"

यह प्रक्रिया एक सेकंड के बहुत छोटे हिस्से में होती है, लेकिन यह AI को केवल एक बार अनुमान लगाने के बजाय छोटे-छोटे, बार-बार सुधार करने की अनुमति देती है।

3. असली मंत्र: "मोशन" और "स्मूथनेस"

पेपर में इस एडिटर को व्यवहार करना सिखाने के लिए दो चतुर तरीके दिए गए हैं:

"मोमेंटम" का तरीका (मोशन प्रायर):
कल्पना कीजिए कि एडिटर स्क्रीन पर एक बॉक्स को हिला रहा है। यदि एडिटर बॉक्स को बाईं ओर ले जाता है, तो अगला कदम भी एक छोटा सा समायोजन होना चाहिए, न कि अचानक दाईं ओर एक बड़ी छलांग। सिस्टम एडिटर को एक "याददाश्त" देता है कि एक पल पहले बॉक्स कहाँ था। यह एक बर्फ पर फिसलने वाले स्केटर की तरह है; एक बार जब वे एक दिशा में गति शुरू करते हैं, तो वे स्वाभाविक रूप से सुचारू रूप से फिसलते रहना चाहते हैं बजाय इसके कि वे बार-बार झटके खाएं। यह एडिटर को भ्रमित होने और लक्ष्य से आगे निकल जाने से रोकता है।
"नो-जिटर" पेनल्टी (एक्शन स्मूथनेस):
सिस्टम एडिटर को शांत रहने के लिए पुरस्कृत करता है। यदि एडिटर एक बड़ा, झटका देने वाला मूवमेंट करता है, तो उसे "पेनल्टी" (नकारात्मक स्कोर) मिलती है। यदि एडिटर छोटे, सुचारू और निरंतर समायोजन करता है, तो उसे "रिवॉर्ड" (पुरस्कार) मिलता है। यह AI को एक सर्जन की तरह सटीक और कोमल बनना सिखाता है, न कि कीबोर्ड पर हाथ मारते हुए किसी बच्चे की तरह।

4. जब उन्होंने इसका परीक्षण किया तो क्या हुआ?

शोधकर्ताओं ने इसका परीक्षण दो अलग-अलग प्रकार के फोटो संग्रहों पर किया:

Pascal VOC: रोजमर्रा की वस्तुओं (जैसे कार, लोग और बिल्लियाँ) के मानक फोटो।
Visونة (VisDrone): आसमान में ऊँचाई पर उड़ते ड्रोन से ली गई तस्वीरें, जहाँ वस्तुएँ बहुत छोटी और भीड़भाड़ वाली होती हैं।

परिणाम:

मानक फोटो पर: "मोशन-अवेयर" (गति-जागरूक) एडिटर (MARLNet), मूल डिटेक्टर या एक मानक AI एडिटर की तुलना में बॉक्स को बिल्कुल सही करने में बेहतर था। इसने AI को लक्ष्य से "आगे निकल जाने" और चूक जाने से रोका।
ड्रोन फोटो पर: परिणाम दिलचस्प थे। क्योंकि ड्रोन की तस्वीरें बहुत कठिन थीं (छोटी वस्तुएं), एक मानक AI एडिटर वास्तव में बड़े और साहसी सुधार करने में बेहतर काम कर रहा था। हालांकि, "मोशन-अवेयर" एडिटर अभी भी मददगार था, लेकिन केवल तभी जब "स्मूथनेस" पेनल्टी बहुत अधिक सेट की गई थी।

5. बड़ी खोज: "ग्लास सीलिंग" (कांच की छत)

इस पेपर की सबसे महत्वपूर्ण खोज एक सीमा है जिसे उन्होंने खोजा।

कल्पना कीजिए कि डिटेक्टर और एडिटर दोनों एक ही चश्मे के माध्यम से फोटो देख रहे हैं।

डिटेक्टर चश्मा पहनता है और एक कच्चा बॉक्स बनाता है।
एडिटर सुधार करने के लिए उसी स्थान पर उसी चश्मे से देखता है।

पेपर ने पाया कि यदि चश्मा (AI का दृश्य तंत्र) धुंधला है या उसमें विवरणों की कमी है, तो एडिटर वह कुछ भी नहीं देख सकता जो डिटेक्टर पहले से ही देख चुका था। बेहतरीन एडिटिंग कौशल के बावजूद, एडिटर एक "ग्लास सीलिंग" से टकरा जाता है। वह बॉक्स को पूरी तरह से ठीक नहीं कर सकता यदि उसके पास मौजूद दृश्य जानकारी पहले से ही समाप्त हो चुकी है।

इस छत को तोड़ने के लिए, पेपर सुझाव देता है कि एडिटर को एक अलग चश्मे (एक अलग विजुअल सिस्टम) की आवश्यकता होगी ताकि वह उन विवरणों को देख सके जो डिटेक्टर से छूट गए थे।

6. उन्होंने "रिवॉर्ड्स" के बारे में क्या सीखा?

टीम ने यह भी सीखा कि AI को "भुगतान" कैसे किया जाए।

गलती: उन्होंने भौतिकी के सूत्र (स्थिर वेग) के आधार पर AI को "सुचारू रूप से चलने" के लिए भुगतान करने की कोशिश की। इसने AI को भ्रमित कर दिया, जिससे वह पूरी तरह से काम करना बंद कर दिया (एक "कोलैप्स")।
सुधार: उन्होंने भुगतान प्रणाली को बदलकर केवल "हाथों की सुचारू गति" (एक्शन स्मूथनेस) के लिए पुरस्कृत करना शुरू किया, चाहे भौतिकी कैसी भी हो। यह पूरी तरह से काम आया और AI को स्थिर बनाए रखा।

सारांश

MARLNet एक ऐसा सिस्टम है जो AI को एक कच्चे बॉक्स को तब तक धीरे-धीरे और सुचारू रूप से धकेलना सिखाता है जब तक कि वह पूरी तरह से फिट न हो जाए। यह AI को झटकेदार और घबराहट भरे मूवमेंट करने से रोककर बहुत अच्छा काम करता है। हालाँकि, पेपर यह साबित करता है कि चाहे "धकेलने" का तरीका कितना भी अच्छा क्यों न हो, AI बॉक्स को उस दृश्य जानकारी से बेहतर ठीक नहीं कर सकता जो उसे मूल रूप से दी गई थी। और भी बेहतर परिणाम पाने के लिए, हमें AI को बेहतर "आंखें" देने की आवश्यकता है, न कि केवल बेहतर "हाथ"।

तकनीकी सारांश: ऑब्जेक्ट लोकलाइज़ेशन के लिए मोशन-अवेयर रीइन्फोर्समेंट लर्निंग

समस्या का निरूपण (Problem Formulation)

आधुनिक ऑब्जेक्ट डिटेक्टर आमतौर पर लोकलाइज़ेशन को एक 'वन-शॉट रिग्रेशन' समस्या के रूप में देखते हैं, जो इमेज फीचर्स को सीधे बाउंडिंग बॉक्स कोऑर्डिनेट्स में एक सिंगल फॉरवर्ड पास के माध्यम से मैप करते हैं। हालांकि यह प्रभावी है, लेकिन इस दृष्टिकोण में पुनरावृत्ति सुधार (iterative correction) की क्षमता का अभाव होता है, जिसके परिणामस्वरूप अक्सर ऐसे प्रस्ताव (proposals) मिलते हैं जो स्थिति, स्केल या आस्पेक्ट रेशियो में गलत संरेखित होते हैं। ये त्रुटियाँ सख्त ओवरलैप-आधारित मूल्यांकन मानदंडों (जैसे, AP@0.75) और छोटे या घने रूप से पैक किए गए ऑब्जेक्ट्स के लिए विशेष रूप से हानिकारक होती हैं।

पोस्ट-हॉक रिफाइनमेंट (Post-hoc refinement) एक समाधान प्रदान करता है, जो रिफाइनमेंट प्रक्रिया को बेस डिटेक्टर से अलग करता है, जिससे एक हल्का मॉड्यूल प्रस्तावित बॉक्सेस को ग्राउंड ट्रुथ की ओर पुनरावृत्ति से समायोजित कर सकता है। हालांकि, इस कार्य के लिए मौजूदा रीइन्फोर्समेंट लर्निंग (RL) दृष्टिकोण दो महत्वपूर्ण चुनौतियों का सामना करते हैं:

रिवॉर्ड डिज़ाइन जटिलता: मोशन-व्युत्पन्न पेनल्टी टर्म्स को मानक इंटरसेक्शन-ओवर-यूनियन (IoU) ऑप्टिमाइज़ेशन उद्देश्यों के साथ एकीकृत करना गैर-तुच्छ है। काइनेमैटिक डेविएशन पेनल्टी और एब्सोल्यूट IoU टर्म्स के बीच की अंतःक्रिया प्रशिक्षण अस्थिरता (training instability) का कारण बन सकती है।
रिप्रेजेंटेशनल कैपेसिटी (Representational Capacity): यह स्पष्ट नहीं है कि क्या अपने बेस डिटेक्टर के साथ बैकबोन साझा करने वाले रिफाइनमेंट एजेंट, क्रॉप-ओनली ऑब्जर्वेशन के कारण उपलब्ध सीमित जानकारी के कारण प्रदर्शन की एक सीमा (performance ceiling) का सामना करते हैं।

यह कार्य MARLNet (मोशन-अवेयर रीइन्फोर्समेंट लर्निंग नेटवर्क) प्रस्तावित करके इन मुद्दों को संबोधित करता है, जो ऑब्जर्वेशन स्टेट में एक कॉन्स्टेंट-वेलोसिटी मोशन प्रायर (constant-velocity motion prior) और रिवॉर्ड फंक्शन में एक एक्शन स्मूथनेस पेनल्टी को शामिल करता है।

कार्यप्रणाली (Methodology)

1. मार्कोव डिसीजन प्रोसेस (MDP) निरूपण

रिफाइनमेंट कार्य को एक फिक्स्ड-होरिज़न MDP $M = (S, A, P, R, \gamma, T)$ के रूप में मॉडल किया गया है।

स्टेट स्पेस ( $S$ ): स्टेट वेक्टर $s_t$ $s_{t}$ 268-डायमेंशनल है, जिसमें शामिल हैं:
- वर्तमान बाउंडिंग बॉक्स कोऑर्डिनेट्स $b_t$ (नॉर्मलाइज्ड $[0, 1]$ तक)।
- अगले स्थान का एक कॉन्स्टेंट-वेलोसिटी (CV) काइनेमैटिक प्रेडिक्शन $\hat{b}^{cv}_t$ ।
- पिछला एक्शन $a_{t-1}$ (शून्य से इनिशियलाइज्ड)।
- एक 256-डायमेंशनल विजुअल फीचर एम्बेडिंग $f_t$ , जिसे फ्रोजन एफिशिएंटनेट-बी0 (EfficientNet-B0) बैकबोन का उपयोग करके $b_t$ द्वारा परिभाषित इमेज क्रॉप से निकाला गया है।
एक्शन स्पेस ( $A$ ): एजेंट कोऑर्डिनेट एडजस्टमेंट $(\delta x, \delta y, \delta w, \delta h)$ के लिए एक निरंतर 4D वेक्टर और एक बाइनरी स्टॉपिंग सिग्नल आउटपुट करता है। स्थिरता सुनिश्चित करने के लिए एक्शन्स को $[-\delta_{max}, \delta_{max}]$ तक क्लैंप किया जाता है।
रिवॉर्ड फंक्शन ( $R$ ): स्टेप $t$ पर रिवॉर्ड को इस प्रकार परिभाषित किया गया है:
$r_t = \alpha \cdot \Delta \text{IoU}_t - c_{step} - \lambda_{phys} \cdot \|a_t - a_{t-1}\|^2$
जहाँ $\Delta \text{IoU}_t$ ग्राउंड ट्रुथ के साथ ओवरलैप में सुधार है, $c_{step}$ अनावश्यक स्टेप्स को हतोत्साहित करने के लिए एक निश्चित लागत है, और अंतिम पद एक एक्शन स्मूथनेस पेनल्टी है। महत्वपूर्ण रूप से, लेखकों ने रिवॉर्ड इंटरफेरेंस को रोकने के लिए काइनेमैटिक डेविएशन पेनल्टी (जिसने ट्रेनिंग कोलैप्स का कारण बनाया था) को इस एक्शन स्मूथनेस पेनल्टी से बदल दिया है।
टर्मिनेशन (Termination): एपिसोड तब समाप्त होता है जब एजेंट एक स्टॉप सिग्नल ट्रिगर करता है, एक लक्षित IoU थ्रेशोल्ड ( $\tau_{stop}$ ) तक पहुँचता है, या अधिकतम स्टेप लिमिट ( $T=15$ ) को हिट करता है।

2. आर्किटेक्चर और ट्रेनिंग

फीचर एक्सट्रैक्शन: एक प्री-ट्रेन्ड फास्टर आर-सीएनएन (ResNet-50 बैकबोन) प्रारंभिक प्रस्ताव प्रदान करता है। रिफाइनमेंट एजेंट वर्तमान क्रॉप से फीचर्स निकालने के लिए एक फ्रोजन एफिशिएंटनेट-बी0 का उपयोग करता है। बैकबोन को फ्रीज करना स्टेट रिप्रेजेंटेशन में नॉन-स्टेशनैरिटी को रोकता है और कंप्यूटेशनल ओवरहेड को कम करता है।
पॉलिसी नेटवर्क: एक एक्टर-क्रिटिक आर्किटेक्चर साझा दो-लेयर MLP के माध्यम से स्टेट को प्रोसेस करता है। एक्टर निरंतर एक्शन्स पर गाऊसी वितरण (Gaussian distribution) और स्टॉप सिग्नल के लिए बरनौली वितरण (Bernoulli distribution) के पैरामीटर्स आउटपुट करता है। क्रिटिक स्टेट-वैल्यू फंक्शन का अनुमान लगाता है।
ऑप्टिमाइजेशन: पॉलिसी को जनरलाइज्ड एडवांटेज एस्टीमेशन (GAE) के साथ प्रॉक्सिमल पॉलिसी ऑप्टिमाइजेशन (PPO) का उपयोग करके प्रशिक्षित किया जाता है।

मुख्य योगदान (Key Contributions)

MARLNet फ्रेमवर्क: सिंगल-इमेज इटरेटिव रिफाइनमेंट के लिए ऑब्जर्वेशन स्टेट में कॉन्स्टेंट-वेलोसिटी मोशन प्रायर और रिवॉर्ड के लिए एक्शन स्मूथनेस पेनल्टी को स्पष्ट रूप से एकीकृत करने वाला पहला RL-आधारित रिफाइनमेंट फ्रेमवर्क।
रिवॉर्ड इंटरफेरेंस की पहचान: लेखकों ने पाया कि कॉन्स्टेंट-वेलोसिटी डेविएशन पेनल्टी को एब्सोल्यूट IoU टर्म के साथ मिलाने से "ट्रिगर कोलैप्स" (जहाँ टर्मिनेशन प्रोबेबिलिटीिटी कोलैप्स हो जाती है, जिससे मैक्सिमम-स्टेप जिटर और mAP में 0.490 से 0.035 की भारी गिरावट आती है) होता है। डेविएशन पेनल्टी को एक्शन स्मूथनेस पेनल्टी से बदलने से यह विफलता दूर हो गई।
रिप्रेजेंटेशनल सीलिंग का लक्षण वर्णन: "ग्लोबल-प्लस-लोकल" ऑब्जर्वेशन वेरिएंट सहित एब्लेशन स्टडीज के माध्यम से, पेपर यह प्रदर्शित करता है कि अपने बेस डिटेक्टर के साथ बैकबोन साझा करने वाले रिफाइनमेंट एजेंट एक हार्ड परफॉरमेंस सीलिंग का सामना करते हैं। यह बाधा स्थानिक (observational) होने के बजाय रिप्लेजेंटेशनल है (एजेंट उस जानकारी तक नहीं पहुँच सकता जो डिटेक्टर ने पहले से ही एनकोड की है)।
व्यवस्थित मूल्यांकन: Pascal VOC 2012 और VisDrone 2019 पर एक व्यापक मूल्यांकन, जो रेगुलराइजेशन स्ट्रेंथ ( $\lambda_{phys}$ ) और डेटासेट विशेषताओं के प्रति प्रदर्शन की संवेदनशीलता का विश्लेषण करता है।

प्रयोगात्मक परिणाम (Experimental Results)

Pascal VOC 2012

प्रदर्शन: MARLNet ने 0.515 की डिटेक्शन सक्सेस रेट (SR@0.5) प्राप्त की, जो बेस डिटेक्टर (0.504) से +0.011 अधिक है।
तुलना: प्लेन PPO (बिना मोशन प्रायर के) डिटेक्टर (0.501 बनाम 0.504) से SR@0.5 में सुधार करने में विफल रहा।
अवलोकन: किसी भी रिफाइनमेंट विधि ने डिटेक्टर बेसलाइन (0.490) से समग्र mAP में सुधार नहीं किया, जो रिप्रेजेंटेशनल सीलिंग की पुष्टि करता है। सर्वश्रेष्ठ MARLNet कॉन्फ़िगरेशन ने 0.437 mAP प्राप्त किया।

VisDrone 2019

प्रदर्शन: इस अधिक चुनौतीपूर्ण एरियल डेटासेट पर, प्लेन PPO ने डिटेक्टर की तुलना में SR@0.5 में बड़ा लाभ (+0.025) प्राप्त किया, जो संभवतः कमजोर शुरुआती डिटेक्टर (mAP 0.189) के कारण है, जिससे सुधार के लिए अधिक स्थान बचता है।
MARLNet: $\lambda=0.05$ के साथ 0.666 का SR@0.5 प्राप्त किया (डिटेक्टर के 0.669 से थोड़ा कम)। हालांकि, उच्च रेगुलराइजेशन स्ट्रेंथ ( $\lambda=0.70$ ) ने सर्वश्रेष्ठ mAP (0.175) और AP@0.75 (0.170) दिया।
नॉन-मोनोटोनिसिटी (Non-Monotonicity): इष्टतम $\lambda$ मान डेटासेट-निर्भर था। VOC के लिए $\lambda=0.10$ इष्टतम था लेकिन VisDrone के लिए सबसे खराब प्रदर्शन करने वाला था, जो बेस डिटेक्टर की गुणवत्ता के आधार पर रेगुलराइजेशन स्ट्रेंथ को कैलिब्रेट करने की आवश्यकता को उजागर करता है।

एब्लेशन स्टडीज (Ablation Studies)

रिवॉर्ड डिज़ाइन: काइनेमैटिक डेविएशन पेनल्टी को एक्शन स्मूथनेस पेनल्टी से बदलना स्थिर प्रशिक्षण के लिए आवश्यक था।
ऑब्जर्वेशन डिज़ाइन: स्टेट वेक्टर में ग्लोबल इमेज फीचर (Global+Local) जोड़ने से परफॉरमेंस सीलिंग को लगातार पार नहीं किया जा सका, जो पुष्टि करता है कि सीमा आर्किटेक्चरल (साझा बैकबोन) है न कि स्थानिक संदर्भ (spatial context) की कमी।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि MARLNet इटरेटिव बाउंडिंग-बॉक्स रिफाइनमेंट के लिए एक स्थिर और प्रभावी दृष्टिकोण प्रदान करता है, विशेष रूप से व्यावहारिक IoU थ्रेशोल्ड (≥0.5) पर डिटेक्शन सक्सेस रेट में सुधार करने के लिए। यह कार्य समुदाय के लिए तीन प्राथमिक अंतर्दृष्टि प्रदान करता है:

स्थिर प्रशिक्षण: रिवॉर्ड इंटरफेरेंस और ट्रेनिंग कोलैप्स को रोकने के लिए एक्शन स्मूथनेस पेनल्टी, काइनेमैटिक डेविएशन पेनल्टी का एक बेहतर विकल्प है।
हाइपरपैरामीटर कैलिब्रेशन: मोशन रेगुलराइजेशन की स्ट्रेंथ बेस डिटेक्टर की गुणवत्ता के व्युत्क्रमानुपाती होनी चाहिए; मजबूत डिटेक्टरों को पॉलिसी एक्सप्रेसिवनेस बनाए रखने के लिए हल्के रेगुलराइजेशन की आवश्यकता होती है, जबकि कमजोर डिटेक्टरों को मजबूत बाधाओं की आवश्यकता होती है।
आर्किटेक्चरल सीमाएं: क्रॉप-फीचर रिफाइनमेंट एजेंटों द्वारा बेस डिटेक्टर के mAP को पार न कर पाना एक मौलिक रिप्लेजेंटेशनल बाधा है। भविष्य के सुधारों के लिए ऐसे आर्किटेक्चरल बदलावों की आवश्यकता है जो एजेंट को बेस डिटेक्टर द्वारा उपयोग किए जाने वाले फीचर्स से भिन्न फीचर रिप्रेजेंटेशन प्रदान करें, न कि केवल ऑब्जर्वेशन स्पेस का विस्तार करें।

लेखक निष्कर्ष निकालते हैं कि हालांकि MARLNet mAP सीलिंग को नहीं तोड़ता है, लेकिन यह प्रस्तावों को रिफाइन करके डाउनस्ट्रीम अनुप्रयोगों में सटीकता में सुधार करने में सफल होता है और वर्तमान रिफाइनमेंट आर्किटेक्चर की सीमाओं के लिए एक ठोस डायग्नोस्टिक प्रदान करता है।