Decoupled Pipeline with Proposal Reranking and Score Fusion for Positive-Unlabeled Marine Species Detection

कल्पना कीजिए कि आप एक जासूस हैं जो एक विशाल, धुंधले पानी के नीचे बसे शहर में एक रहस्य सुलझाने की कोशिश कर रहे हैं। आपका काम विशिष्ट समुद्री जीवों को खोजना और उनका नाम बताना है। लेकिन एक पेंच है: जो नक्शा आपको दिया गया है वह छेदों से भरा है। जिन लोगों ने यह नक्शा बनाया था, उन्होंने केवल वही जीव लिखे जिनके बारे में वे निश्चित थे, जिससे हजारों अन्य मछलियाँ, अर्चिन (sea urchins) और जेलीफ़िश बिना चिह्नित किए ही रह गईं। कंप्यूटर विज्ञान की दुनिया में, इसे "पॉजिटिव-अनलेबल" (positive-unlabeled) लर्निंग कहा जाता है। यह एक "कुत्ते" को पहचानने के लिए केवल उन तस्वीरों का अध्ययन करने जैसा है जहाँ किसी ने स्पष्ट रूप से एक कुत्ते की ओर इशारा किया है, जबकि फोटो में मौजूद अन्य सभी जानवरों को अनदेखा कर दिया गया है जो शायद बिल्ली या गिलहरी हो सकते हैं। यदि आपका कंप्यूटर एक बिल्ली को देखता है और सोचता है, "यह एक कुत्ता है!" क्योंकि उसे इसके विपरीत नहीं बताया गया था, तो वह भ्रमित हो जाता है।

इसे और भी कठिन बनाने के लिए, यह पानी के नीचे का शहर एक बदलते सपने जैसा है। जो तस्वीरें आप पढ़ रहे हैं, वे समुद्र के एक हिस्से में गोताखोरों के एक समूह द्वारा ली गई थीं, लेकिन जिन्हें आपको पहचानना है, वे "टेस्ट" तस्वीरें एक पूरी तरह से अलग महासागर से ली गई हैं, जिन्हें अलग कैमरों और लाइटिंग के साथ लिया गया है। इसे "डोमेन शिफ्ट" (domain shift) कहा जाता है। यह अपने दोस्त का चेहरा पहचानने की कोशिश करने जैसा है, जिसे आपने केवल ब्लैक-एंड-व्हाइट फोटो में देखा है, लेकिन फिर आपसे हाई-डेफिनिशन, कलर वीडियो में उसे पहचानने के लिए कहा जाता है। इस शोध का लक्ष्य एक ऐसा कंप्यूटर सिस्टम बनाना है जो इन समुद्री जीवों को सही ढंग से पहचान सके और उनका नाम बता सके, भले ही नक्शा अधूरा हो और लाइटिंग अजीब हो।

---

जासूस की नई रणनीति: काम को विभाजित करना

जॉर्जिया टेक की टीम, जिसे DS@GT ARC के नाम से जाना जाता है, को समझ आया कि सब कुछ एक साथ करने की कोशिश करना आपदा का कारण बन सकता है। कल्पना कीजिए कि एक ही व्यक्ति को जानवर को खोजने वाली आँखें, उसे नाम देने वाला दिमाग और यह तय करने वाला जज बनने के लिए कहना, कि क्या अनुमान पर्याप्त अच्छा है। उनके प्रयोगों में, इस "ऑल-इन-वन" दृष्टिकोण ने एक दीवार से टकराकर दम तोड़ दिया। कंप्यूटर अनमार्क्ड (बिना चिह्नित) जानवरों से भ्रमित होता रहता था, उन्हें गलती समझ लेता था।

इसलिए, उन्होंने इस काम को तीन अलग-अलग धावकों वाली एक रिले रेस में विभाजित करने का निर्णय लिया, जिनमें से प्रत्येक एक काम को बहुत अच्छी तरह से करता है।

धावक 1: बड़ी आँखों वाला स्काउट (डिटेक्टर)
सबसे पहले, उन्हें समुद्र के तल का निरीक्षण करने और चिल्लाने के लिए किसी की आवश्यकता थी, "हे, वहाँ कुछ है!" उन्होंने "मेगालोडोन" (एक प्रकार का YOLO डिटेक्टर) नामक एक प्री-ट्रेंड रोबोट का उपयोग किया। मेगालोडोन को प्रतिस्पर्धी डेटा से नई चीजें सीखने के लिए सिखाने के बजाय, उन्होंने इसे एक अनुभवी स्काउट की तरह स्थिर (frozen) रखा, जो पहले से ही आकृतियों को पहचानना जानता है।

• टाइलिंग ट्रिक (The Tiling Trick): समुद्र का तल बहुत विशाल है, और कुछ समुद्री जीव बहुत छोटे होते हैं। यदि आप पूरी तस्वीर को सिकोड़ कर देखेंगे, तो एक छोटा सा अर्चिन धूल के कण जैसा लगेगा। इसे ठीक करने के लिए, टीम ने केवल पूरी तस्वीर नहीं देखी; उन्होंने छवि को छोटे, ओवरलैपिंग टाइल्स (एक मोज़ेक की तरह) में काट दिया। इसने स्काउट को सूक्ष्म विवरणों पर ज़ूम करने में मदद की।
• एज फ़िल्टर (The Edge Filter): कभी-कभी, एक जीव टाइल के किनारे से आधा कटा हुआ रह जाता है। टीम ने एक नियम जोड़ा: यदि कोई पहचाना गया आकार टाइल के किनारे से कटा हुआ है, तो उसे हटा दें। इसने टीम को आधे अर्चिन को पूरे अर्चिन के रूप में गिनने से रोका।

धावक 2: विशेषज्ञ जीवविज्ञानी (क्लासिफायर)
एक बार जब स्काउट ने एक "कुछ" ढूंढ लिया, तो उन्होंने उस स्थान की एक क्रॉप की हुई फोटो दूसरे धावक को भेजी: एक सुपर-स्मार्ट AI जिसे DINOv3 कहा जाता है। इस धावक का एकमात्र काम यह देखना है कि "वह एक समुद्री अर्चिन है" या "वह एक हड्डी वाली मछली है।"

• सीक्रेट सॉस (The Secret Sauce): उन्होंने इस रोबोट को शुरुआत से नहीं सिखाया। इसके बजाय, उन्होंने "LoRA" (लो-रैंक अडैप्टेशन) नामक तकनीक का उपयोग किया। इसे इस तरह समझें कि आप रोबोट को एक छोटी, विशेष नोटबुक दे रहे हैं ताकि वह प्रतियोगिता के 32 प्रकार के समुद्री जीवों के विशिष्ट नियम लिख सके, बिना उसके पूरे मस्तिष्क को फिर से लिखे। इसने रोबट को सूक्ष्म विवरणों का मास्टर बनने में सक्षम बनाया, जैसे कि दो बहुत समान दिखने वाली मछलियों के बीच अंतर करना।

धावक 3: संदेह करने वाला जज (रीरैंकर)
यहाँ तक कि सबसे अच्छा जीवविज्ञानी भी अति-आत्मविश्वासी हो सकता है। कभी-कभी, एक अजीब चट्टान इतनी मछली जैसी दिख सकती है कि जीवविज्ञानी कहता है, "99% पक्का कि वह एक मछली है!" टीम ने आत्मविश्वास की जांच करने के लिए एक तीसरा चरण जोड़ा। उन्होंने एक "वैलिडिटी हेड" बनाया जो "ट्यूरिंग टेस्ट" (एक परीक्षण यह देखने के लिए कि क्या एक मशीन इंसान को मूर्ख बना सकती है) से प्रेरित है। यह जज पूछता है: "क्या यह उम्मीदवार वास्तव में अपने वर्ग के अन्य सदस्यों जैसा दिखता है?"

• परिणाम: यह जज एक हल्के धक्के की तरह काम करता था। इसने अनुमानों को खारिज नहीं किया; इसने बस रैंकिंग को थोड़ा समायोजित किया। यदि कोई अनुमान अजीब था, तो उसे सूची में नीचे धकेल दिया गया। यदि वह ठोस था, तो वह शीर्ष के पास रहा।

अंतिम स्कोर: सबको एक साथ लाना

टीम ने केवल तीन धावकों को अपने उत्तर चिल्लाने के लिए नहीं छोड़ा। उन्होंने स्कोर को संयोजित करने के लिए "वेटेड ज्योमेट्रिक फ्यूजन" नामक एक विशेष गणितीय ट्रिक का उपयोग किया। कल्पना कीजिए कि स्काउट यह स्कोर देता है कि कुछ वहां होने के बारे में वे कितने आश्वस्त हैं, जीवविज्ञानी इस बारे में स्कोर देता है कि वे नाम के बारे में कितने आश्वस्त हैं, और जज इस बारे में स्कोर देता है कि अनुमान कितना सुसंगत है। अंतिम स्कोर इन तीनों का मिश्रण है। यदि उनमें से कोई भी कमजोर है, तो अंतिम स्कोर गिर जाता है, यह सुनिश्चित करता है कि केवल सबसे मजबूत, सबसे सुसंगत अनुमान ही शीर्ष पर पहुँचें।

उन्होंने क्या पाया (और क्या फेंका)

टीम ने सैकड़ों प्रयोग चलाए, और परिणाम "अहा!" क्षणों और "ओह!" वाले सबक का मिश्रण थे।

• फ्रोजन स्काउट की जीत: उन्होंने स्काउट (मेगालोडोन) को शोर भरे डेटा से सीखने के लिए प्रशिक्षित करने की कोशिश की, यह उम्मीद करते हुए कि यह बेहतर होगा। लेकिन यह काम नहीं आया। "फ्रोजन" स्काउट, जिसने अपने मौजूदा ज्ञान का उपयोग किया, वास्तव में अंतिम दौड़ में बेहतर प्रदर्शन कर रहा था। टीम ने सीखा कि डिटेक्टर को शोर भरे, अधूरे डेटा पर फाइन-ट्यून करने की कोशिश करने से पूरा सिस्टम खराब हो जाता है।
• "स्ट्रिक्ट" बनाम "रियल" का जाल: उन्होंने बहुत सख्त होने की कोशिश की, केवल उन अनुमानों को स्वीकार किया जो ज्ञात लेबल से पूरी तरह मेल खाते थे। लेकिन वास्तविक दुनिया में (छिपे हुए टेस्ट सेट में), कई वास्तविक जीव प्रशिक्षण डेटा में लेबल नहीं किए गए थे। यदि वे बहुत आक्रामक रूप से फिल्टर करते, तो वे अनजाने में उन वास्तविक जानवरों को भी फेंक देते जो केवल बिना लेबल वाले थे। सबक? एक विस्तृत जाल बनाए रखना और अच्छे को बुरे से अलग करने के लिए रैंकिंग सिस्टम पर छोड़ देना बेहतर है, बजाय इसके कि किसी भी संदिग्ध चीज़ को हटा दिया जाए।
• पब्लिक बनाम प्राइवेट स्प्लिट: टीम के पास अपने सिस्टम के दो संस्करण थे। एक संस्करण, जिसमें "संदेह करने वाला जज" (TTN-प्रेरित रीरैंकर) शामिल था, ने पब्लिक लीडरबोर्ड और अपने स्वयं के बाहरी परीक्षणों पर शानदार प्रदर्शन किया। हालाँकि, अंतिम, गुप्त प्राइवेट लीडरबोर्ड पर, सरल संस्करण (जज के बिना) बहुत कम अंतर से जीत गया। इसने सिखाया कि एक संकेत जो एक टेस्ट में मददगार दिखता है, वह अंतिम, अज्ञात चुनौती के लिए पर्याप्त मजबूत नहीं हो सकता है।

बड़ी तस्वीर

अंत में, टीम के सिस्टम ने 0.1757 के स्कोर के साथ 102 टीमों में से 12वां स्थान प्राप्त किया। उनकी सबसे बड़ी खोज एक नया सुपर-एल्गोरिदम नहीं थी, बल्कि एक रणनीति थी: मैसे डेटा को ठीक करने की कोशिश न करें; उसके इर्द-गिर्द काम करें।

उन्होंने पाया कि "खोजने" के काम को "नाम देने" के काम से अलग करना, एक फ्रोजन डिटेक्टर का उपयोग करना और एक स्मार्ट रैंकिंग सिस्टम पर भरोसा करना, एक ही मॉडल को सब कुछ सीखने के लिए मजबूर करने की तुलना में अधिक शक्तिशाली था। उन्होंने यह भी सीखा कि अधूरे नक्शों की दुनिया में, "संदिग्ध" अनुमानों को बाहर करने के बारे में बहुत आक्रामक होना खतरनाक है। कभी-कभी, जिस चीज़ को आप गलती समझते हैं, वह वास्तव में एक वास्तविक, बिना लेबल वाला खजाना होती है।

पेपर सुझाव देता है कि हालांकि "स्टूडेंट-टीचर" तरीके (जहाँ एक स्मार्ट मॉडल एक कमजोर मॉडल को सिखाता है) और नकली डेटा बनाना आशाजनक विचार हैं, लेकिन उन्हें बहुत सावधानी से संभालना चाहिए। यदि शिक्षक पूर्ण नहीं है, तो छात्र केवल शिक्षक की गलतियों को सीखता है। फिलहाल, सबसे सुरक्षित दांव यह है कि डिटेक्टर को सरल रखें, नामकरण के लिए क्लासिफायर को भारी काम करने दें, और अंतिम अनुमानों को रैंक करने के लिए एक कोमल हाथ का उपयोग करें।