WMS-Net:Wavelet-Mamba Synergistic Network for Joint Semantic Segmentation and Height Estimation of Remote Sensing Images

रिमोट सेंसिंग की दुनिया में, जहाँ उपग्रह और विमान ऊपर से पृथ्वी को कैद करते हैं, एक अकेली तस्वीर दो अलग-अलग कहानियाँ समेटे होती है जो सुनाए जाने का इंतज़ार कर रही हैं। एक कहानी इस बारे में है कि चीजें क्या हैं: एक सड़क, एक पेड़, एक इमारत, या एक कार। इसे सिमेंटिक सेगमेंटेशन (semantic segmentation) कहा जाता है, जो एक प्रक्रिया है जिसमें छवि के हर पिक्सेल को एक विशिष्ट श्रेणी के रूप में लेबल किया जाता है। दूसरी कहानी इस बारे में है कि वे चीजें कितनी ऊँची हैं। यह ऊंचाई अनुमान (height estimation) है, जो एक सपाट तस्वीर को भूभाग के त्रि-आयामी मानचित्र में बदल देता है, जिससे गगनचुंबी इमारतों की ऊँची छतें या एक पहाड़ी का मंद ढलान प्रकट होता है। दशकों से, कंप्यूटर वैज्ञानिकों ने इन दोनों समस्याओं को अलग-अलग हल करने की कोशिश की है, जिससे वस्तुओं को पहचानने के लिए अलग एल्गोरिदम और ऊंचाई मापने के लिए अलग एल्गोरिदम को प्रशिक्षित किया गया। हालाँकि, ये दोनों कार्य गहराई से जुड़े हुए हैं; एक इमारत का आकार उसकी ऊंचाई को परिभाषित करने में मदद करता है, और छत की ऊंचाई जानने से उसे जमीन से अलग करने में मदद मिलती है। चुनौती यह रही है कि जब कंप्यूटर एक साथ दोनों कार्यों को सीखने की कोशिश करते हैं, तो वास्तविक दुनिया की छवियों का शोर और जटिलता अक्सर दोनों पाठों को एक-दूसरे के काम में बाधा डालती है, जिससे किनारे धुंधले हो जाते हैं या माप गलत हो जाते हैं।

शीआन यूनिवर्सिटी ऑफ आर्किटेक्चर एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस संबंध को सुलझाने के लिए एक नया दृष्टिकोण विकसित किया है, और एक प्रणाली बनाई है जिसे वे WMS-Net कहते हैं। एक ही एल्गोरिदम को दोनों कार्यों को एक साथ संभालने के लिए मजबूर करने के बजाय, उन्होंने एक ऐसा नेटवर्क डिजाइन किया है जो दृश्य जानकारी को विवरण की विभिन्न परतों में विभाजित करता है और फिर उन्हें पुनर्संयोजित करता है। कल्पना कीजिए कि आप एक तस्वीर देख रहे हैं और एक इमारत की तीखी, स्पष्ट रूपरेखा को आकाश और जमीन के चिकने, व्यापक रंगों से अलग कर रहे हैं। शोधकर्ताओं ने महसूस किया कि किसी वस्तु की पहचान करने का कार्य उन तीखे किनारों और सूक्ष्म बनावटों पर बहुत अधिक निर्भर करता है, जबकि ऊंचाई मापने का कार्य अधिक चिकने, निरंतर आकारों और समग्र रूपरेखाओं पर निर्भर करता है। इस अंतर का लाभ उठाने के लिए, उनकी नई प्रणाली एक गणितीय उपकरण का उपयोग करती है जिसे वेवलेट ट्रांसफॉर्म (wavelet transform) कहा जाता है, जो एक फिल्टर के रूप में कार्य करता है। यह उपकरण छवि डेटा को उच्च-आवृत्ति (high-frequency) घटकों में विभाजित करता है, जिनमें सूक्ष्म विवरण और किनारे होते हैं, और निम्न-आवृत्ति (low-frequency) घटकों में, जिनमें व्यापक संरचनात्मक जानकारी होती है।

एक बार डेटा अलग हो जाने के बाद, सिस्टम उच्च-आवृत्ति वाले विवरणों को नेटवर्क के उस हिस्से की ओर निर्देशित करता है जो वस्तुओं की पहचान करने के लिए जिम्मेदार है, जिससे यह सुनिश्चित होता है कि इमारतों और पेड़ों के किनारे सटीकता के साथ खींचे गए हैं। साथ ही, यह निम्न-आवृत्ति वाली, चिकनी जानकारी को नेटवर्क के उस भाग में भेजता है जो ऊंचाई की गणना करता है, जिससे इसे शोर भरी बनावटों से विचलित हुए बिना समग्र आकार और ऊंचाई को समझने में मदद मिलती है। यह अलगाव दोनों कार्यों को एक-दूसरे को भ्रमित होने से रोकता है। हालाँकि, केवल डेटा को विभाजित करना पर्याप्त नहीं है; सिस्टम को यह भी समझने की आवश्यकता है कि पूरी छवि में वस्तुएं एक-दूसरे से कैसे संबंधित हैं, जैसे कि कैसे एक लंबी सड़क एक शहर में फैली हुई है या कैसे पेड़ों का एक समूह एक निरंतर छत्र बनाता है। इसे प्राप्त करने के लिए, शोधकर्ताओं ने मंबा (Mamba) नामक एक आधुनिक आर्किटेक्चर पर आधारित एक घटक को शामिल किया है। सिस्टम का यह हिस्सा एक लंबे दायरे वाले स्कैनर की तरह कार्य करता है, जो बहुत कम कम्प्यूटेशनल प्रयास के साथ छवि के दूरस्थ हिस्सों को जोड़ने में सक्षम है, जिससे यह दृश्य की वैश्विक संरचना को कुशलतापूर्वक मॉडल कर सकता है।

पहेली का अंतिम हिस्सा एक ऐसी प्रणाली है जो सूचना के दो अलग-अलग प्रवाहों—विस्तृत वस्तु लेबल और चिकने ऊंचाई मानचित्र—को एक-दूसरे से बात करने की अनुमति देती है। शोधकर्ताओं ने एक क्रॉस-अटेंशन मॉड्यूल बनाया है जो ऊंचाई की जानकारी को वस्तु पहचान को निर्देशित करने की अनुमति देता है, यह सुनिश्चित करते हुए कि एक इमारत की रूपरेखा उसके मापे गए ऊँचाई के अनुरूप बनी रहे, और इसके विपरीत भी। यह एक फीडबैक लूप बनाता है जहाँ दोनों कार्य एक-दूसरे को परिष्कृत करते हैं, उन गलतियों को सुधारते हैं जो तब हो सकती थीं यदि वे अलग-अलग काम कर रहे होते। जर्मनी के वैहिंगन (Vaihingen) और पॉट्सडैम (Potsdam) शहरों की हवाई छवियों के दो प्रमुख डेटासेट पर परीक्षण किए जाने पर, इस नई प्रणाली ने मौजूदा तरीकों की तुलना में बेहतर प्रदर्शन किया। वैहिंगन डेटासेट पर, सिस्टम ने वस्तुओं की पहचान करने के लिए 83.2% का सटीकता स्कोर और ऊंचाई माप के लिए बहुत कम त्रुटि दर हासिल की। बड़े, उच्च-रिज़ॉल्यूशन वाले पॉट्सडैम डेटासेट पर, इसने वस्तु पहचान के लिए 86.8% सटीकता प्राप्त की और समान रूप से कम त्रुटि दर बनाए रखी।

परिणाम बताते हैं कि विवरण बनाम संरचना को देखने के मानव और मशीन के अलग-अलग तरीकों का सम्मान करके, और इन विभिन्न दृश्यों को प्रतिस्पर्धा करने के बजाय सहयोग करने की अनुमति देकर, दुनिया का मानचित्रण करने के लिए एक बहुत अधिक विश्वसनीय उपकरण बनाना संभव है। यह प्रणाली केवल लेबल की सूची या एक मोटा ऊंचाई मानचित्र नहीं बनाती है; यह दृश्य की एक सुसंगत, त्रि-आयामी समझ पैदा करती है जहाँ एक इमारत की सीमाएँ उसकी मापी गई ऊंचाई के साथ पूरी तरह से मेल खाती हैं। यह दृष्टिकोण इस बात के लिए एक नया ढांचा प्रदान करता है कि कंप्यूटर एक साथ कई आयामों में दुनिया को कैसे देख सकते हैं, जिससे सपाट तस्वीरों को शहरी नियोजन, आपदा निगरानी और स्मार्ट सिटी मॉडलिंग के लिए समृद्ध, कार्रवाई योग्य डेटा में बदला जा सके। इस पद्धति की सफलता सामान्य अर्थ में कंप्यूटर को स्मार्ट बनाने में नहीं, बल्कि उसे प्राप्त दृश्य जानकारी को व्यवस्थित करने का एक स्पष्ट तरीका देने में है, यानी पूरे को समझने से पहले शोर को संकेत से और किनारों को आकारों से अलग करने में है।