Advancing All-Weather Building Damage Mapping to the Instance Level: Outcomes and Insights from the 2026 Bright Challenge

कल्पना कीजिए कि आप एक सुपरहीरो हैं जो एक विशाल तूफान के बाद एक शहर को बचाने की कोशिश कर रहे हैं। आपकी सुपरपावर अंतरिक्ष से सब कुछ देख पाने की है, लेकिन एक पेंच है: आसमान घने, काले बादलों से ढका हुआ है, और चारों ओर घना अंधेरा है। आप अपनी "सामान्य आँखों" का उपयोग नहीं कर सकते (जिन्हें धूप और साफ आसमान की आवश्यकता होती है) यह देखने के लिए कि कौन से घर अभी भी खड़े हैं और कौन से मलबे में दब गए हैं। इसके बजाय, आपको एक विशेष "रडार आँख" का उपयोग करना होगा जो बादलों और अंधेरे के पार देख सकती है, लेकिन यह आँख दुनिया को एक अजीब, दानेदार (grainy) ब्लैक-एंड-व्हाइट तरीके से देखती है जो आपकी रंगीन तस्वीरों से बिल्कुल अलग है। आपदा प्रतिक्रिया (disaster response) की वास्तविक जीवन की चुनौती यही है: खराब मौसम में नुकसान की स्पष्ट तस्वीर प्राप्त करना। वैज्ञानिक कंप्यूटर प्रोग्राम बनाने की कोशिश कर रहे हैं जो शहर की एक "पहले की" फोटो और एक "बाद की" रडार इमेज को देख सकें और स्वचालित रूप से हर एक टूटी हुई इमारत को गिन सकें और उनका मानचित्र बना सकें। लेकिन एक कंप्यूटर को एक ही समय में दो पूरी तरह से अलग प्रकार की छवियों को समझना सिखाना वैसा ही है जैसे किसी कुत्ते को हेडफ़ोन पहने हुए फ्रेंच बोलना सिखाना।

यह शोध पत्र एक विशाल वैश्विक प्रतियोगिता की कहानी बताता है जिसे BRIGHT Challenge कहा जाता है, जहाँ दुनिया भर की टीमों ने एक परम "आपदा जासूस" (disaster detective) AI बनाने की कोशिश की। लक्ष्य सरल लेकिन बेहद कठिन था: किसी मोहल्ले की एक स्पष्ट फोटो जो आपदा से पहले ली गई थी, और एक रडार इमेज जो आपदा के बाद ली गई है (भले ही वह बादलों या अंधेरे से घिरी हो), उसे लेना और कंप्यूटर को हर एक इमारत के चारों ओर एक रेखा खींचकर, उसे "अक्षत" (intact), "क्षतिग्रस्त" (damaged), या "विनाशित" (destroyed) के रूप में लेबल करना होगा। ट्विस्ट यह था कि कंप्यूटर का परीक्षण उन नए, अनदेखे आपदाओं पर किया जाना था जिन्हें उसने पहले कभी नहीं देखा था, ठीक वैसे ही जैसे एक वास्तविक बचाव दल को सामना करना पड़ता है। यह शोध पत्र प्रकट करता है कि हालांकि टीमें इस कार्य में पहले की तुलना में बहुत बेहतर हो गई थीं, लेकिन वे नई, अप्रत्याशित स्थितियों में अपने कौशल को लागू करने में संघर्ष करती रहीं। यह सच है कि एक शहर में अच्छा जासूस होना आपको पूरी तरह से अलग शहर, अलग मौसम और अलग इमारतों के साथ एक अच्छा जासूस नहीं बनाता है।

महान आपदा जासूस प्रतियोगिता

BRIGHT Challenge वैज्ञानिकों और इंजीनियरों की 157 टीमों के लिए एक उच्च-दांव वाले वीडियो गेम टूर्नामेंट की तरह था। उन्हें 291,000 इमारतों वाला एक विशाल डेटासेट दिया गया था जिसमें भूकंप, बाढ़, तूफान और जंगल की आग सहित 16 अलग-अलग आपदा घटनाएं शामिल थीं। नियम सख्त थे: AI को हर इमारत को खोजना था, उसका सटीक आकार बनाना था (एक कार्य जिसे "इंस्टेंस सेगमेंटेशन" कहा जाता है), और उसके नुकसान के स्तर का अनुमान लगाना था। हालाँकि, असली परीक्षण "फाइनल बॉस" लेवल था। टीमों ने ज्ञात आपदाओं पर अपने AI को प्रशिक्षित किया, लेकिन अंतिम स्कोर 2025 की दो बिल्कुल नई घटनाओं पर आधारित था: कैलिफोर्निया में जंगल की आग और जमैका में एक तूफान। ये AI द्वारा प्रशिक्षण के दौरान देखे गए अनदेखे दृश्य थे, जो उस वास्तविक दुनिया के परिदृश्य की नकल करते हैं जहाँ एक बचाव दल एक ऐसे आपदा क्षेत्र में पहुँचता है जहाँ कंप्यूटर पहले कभी नहीं गया है।

परिणाम बड़े सुधार और एक कठोर वास्तविकता का मिश्रण थे। जीतने वाली टीमों ने लगभग 0.182 और 0.181 का स्कोर (जिसे mAP कहा जाता है) प्राप्त किया। यह सुनने में कम लग सकता है, लेकिन यह बुनियादी शुरुआती रेखा (बेसलाइन) से 8.7 गुना बेहतर था, जिसका स्कोर केवल 0.021 था। यह एक बड़ी छलांग थी, जो यह साबित करती है कि कंप्यूटर ऑप्टिकल फोटो और रडार इमेज को जोड़कर क्षतिग्रस्त इमारतों को खोजने के लिए सीख सकते हैं। हालाँकि, इस शोध पत्र ने एक निराशाजनक सच्चाई भी उजागर की: वे टीमें जो अभ्यास दौरों (डेवलपमेंट फेज) में दबदबा बना रही थीं, वे नए, अनदेखे आपदाओं का सामना करते ही पूरी तरह बिखर गईं। जो टीम प्रशिक्षण के दौरान पहले स्थान पर थी, उसका स्कोर प्रशिक्षण चरण के 0.513 से गिरकर अंतिम परीक्षण में मात्र 0.069 रह गया। यह ऐसा था जैसे कोई छात्र जिसने कक्षा में हर अभ्यास परीक्षा में टॉप किया हो, अचानक वास्तविक दुनिया की परीक्षा हॉल में जाने पर पढ़ना ही भूल जाए।

विजेताओं ने कोड को कैसे डिकोड किया

सामान्य संघर्ष के बावजूद, दो टीमों ने एक ऐसी जीतने वाली रणनीति विकसित की जो बाकी सभी से बेहतर काम कर गई। दिलचस्प बात यह है कि उन्होंने अपने समाधान स्वतंत्र रूप से निकाले, फिर भी वे दोनों एक ही दो बड़े विचारों पर पहुँचे।

पहला, उन्होंने महसूस किया कि आप दोनों छवियों को एक सैंडविच की तरह बस आपस में मिला नहीं सकते। यदि आप कंप्यूटर को शुरुआत में ही एक फोटो और एक रडार इमेज अगल-बगल में खिलाते हैं, तो कंप्यूटर भ्रमित हो जाता है क्योंकि दोनों छवियां बहुत अलग दिखती हैं। इसके बजाय, विजेताओं ने एक "डुअल-स्ट्रीम" सिस्टम बनाया। कल्पना कीजिए कि दो अलग-अलग जासूस हैं: एक जो रंगीन फोटो पढ़ने में विशेषज्ञ है (यह खोजने के लिए कि इमारतें कहाँ थीं) और दूसरा जो दानेदार रडार पढ़ने में विशेषज्ञ है (यह देखने के लिए कि बाद में क्या हुआ)। वे नोट्स की तुलना करने के लिए अंत में एक साथ आने से पहले, अपने स्वयं के सुराग इकट्ठा करने के लिए अलग-अलग काम करते हैं। यह "लेट फ्यूजन" दृष्टिकोण कंप्यूटर को इमारत का आकार खोजने के लिए स्पष्ट फोटो का उपयोग करने और यह तय करने के लिए रडार का उपयोग करने की अनुमति देता है कि वह टूटी है या नहीं, बिना दोनों प्रकार के डेटा के आपस में लड़े।

दूसरा, उन्होंने इमारत को खोजने और नुकसान का अनुमान लगाने को एक साथ करने के बजाय, इसे दो चरणों में करने का निर्णय लिया। पहले, आपदा से पहले की स्पष्ट "पहले की" फोटो का उपयोग करके हर इमारत की एक सटीक रूपरेखा खींचें, क्योंकि आपदा से पहले इमारतें आमतौर पर अक्षत और आसानी से दिखाई देने वाली होती हैं। एक बार जब कंप्यूटर को पता चल जाता है कि इमारत वास्तव में कहाँ है, तो वह यह तय करने के लिए कि वह अक्षत, क्षतिग्रस्त या विनाशित है, "बाद की" रडार इमेज को देख सकता है। इस "डीकपलिंग" रणनीति ने कार्य को बहुत अधिक प्रबंधनीय बना दिया।

पहले स्थान वाली टीम ने एक चतुर अतिरिक्त ट्रिक जोड़ी: उन्होंने आपदा को एक शिक्षक की तरह माना। उन्होंने पहले AI से पूछा, "यह किस प्रकार की आपदा है?" (जैसे, क्या यह जंगल की आग है या तूफान है?)। चूंकि जंगल की आग इमारतों को पूरी तरह से नष्ट कर देती है जबकि तूफान अक्सर उन्हें केवल क्षतिग्रस्त करते हैं, इसलिए AI अपने स्वयं के नियम समायोजित कर सकता था। यदि उसे पता था कि वह जंगल की आग देख रहा है, तो वह "विनाशित" माने जाने वाले मानकों को कम कर देगा और "क्षतिग्रस्त" के लिए उन्हें बढ़ा देगा। उन्होंने "स्यूडो-लेबलिंग" नामक तकनीक का भी उपयोग किया, जहाँ AI नए टेस्ट डेटा पर अनुमान लगाता है, और यदि वह बहुत आश्वस्त होता है, तो वह उन अनुमानों को खुद को फाइन-ट्यून करने के लिए नए प्रशिक्षण डेटा के रूप में उपयोग करता है। इसने AI को नए आपदा की विशिष्ट "बनावट" के अनुकूल होने में मदद की।

कड़वे सच और आगे का रास्ता

शोध पत्र भविष्य के लिए कुछ महत्वपूर्ण सबक के साथ समाप्त होता है। सबसे बड़ा निष्कर्ष यह है कि एक आपदा में अच्छा होने का मतलब यह नहीं है कि आप दूसरी आपदा में भी अच्छे होंगे। प्रशिक्षण चरण और अंतिम परीक्षण के बीच टीमों की रैंकिंग पूरी तरह से बदल गई। जो टीम प्रशिक्षण डेटा में नुकसान को पहचानने में सबसे अच्छी थी, वह अंतिम परीक्षण में सबसे खराब टीमों में से एक थी। यह सुझाव देता है कि कई टीमें केवल प्रशिक्षण आपदाओं के विशिष्ट पैटर्न को याद कर रही थीं, न कि नुकसान के लिए एक सार्विक नियम सीख रही थीं।

एक अन्य आश्चर्यजनक खोज "क्षतिग्रस्त" श्रेणी के बारे में थी। प्रशिक्षण चरण में, कंप्यूटर "क्षतिग्रस्त" इमारतों (पूरी तरह से नष्ट या बिल्कुल ठीक होने के विपरीत) को पहचानने में बहुत खराब थे। लेकिन अंतिम परीक्षण में, "क्षतिग्रस्त" श्रेणी सबसे आसान श्रेणी बन गई! क्यों? क्योंकि परीक्षण घटनाओं में नुकसान का मिश्रण अलग था। तूफान वाले परीक्षण में बहुत सारी क्षतिग्रस्त-लेकिन-खड़ी इमारतें थीं, इसलिए AI ने उन्हें पहचानना सीख लिया। जंगल की आग वाले परीक्षण में ज्यादातर विनाशित इमारतें थीं। यह दर्शाता है कि किसी श्रेणी की कठिनाई पूरी तरह से उस विशिष्ट आपदा पर निर्भर करती है जिसे आप देख रहे हैं।

लेखक स्पष्ट हैं कि यह समस्या अभी हल नहीं हुई है। हालांकि विजेता बेसलाइन से 8.7 गुना बेहतर थे, लेकिन उनके स्कोर अभी भी पूर्णता से बहुत दूर थे। शोध पत्र सुझाव देता है कि भविष्य के अनुसंधान को केवल पुराने अनुभवों को याद करने के बजाय, ऐसी AI बनाने पर ध्यान केंद्रित करने की आवश्यकता है जो नई घटनाओं के अनुकूल खुद को तुरंत ढाल सके। वे यह भी बताते हैं कि वास्तविक दुनिया में, "पहले की" फोटो और "बाद की" रडार इमेज को पूरी तरह से संरेखित (align) करना अपने आप में एक बड़ी चुनौती है, और प्रतियोगिता ने यह मान लिया था कि यह पहले से ही हो चुका है।

संक्षेप में, BRIGHT Challenge ने यह सिद्ध किया कि हम कंप्यूटर बना सकते हैं जो बादलों और अंधेरे के पार देख सकते हैं ताकि क्षतिग्रस्त इमारतों को खोज सकें, लेकिन हमें अभी भी उन्हें लचीले जासूस बनाना होगा जो दुनिया द्वारा दिए जाने वाले किसी भी सरप्राइज को संभाल सकें। डेटा, कोड और विजेता समाधान अब सार्वजनिक हैं, जो अगली पीढ़ी के शोधकर्ताओं को कमान संभालने और स्कोर को और ऊपर ले जाने के लिए आमंत्रित करते हैं।