ব্লাইন্ড লার্নিং বনাম ভৌগোলিক পরিবর্তন: প্রি-ট্রেনিং এবং অগমেন্টেশন ট্রাফিক ডিটেক্টরকে নতুন উচ্চতায় নিয়ে যায়

শহর একটি আলাদা ডোমেইন হিসেবে

একটি শহরের ক্যামেরার রেকর্ডিংয়ে প্রশিক্ষিত গাড়ি, ট্রাফিক সিগন্যাল ও পথচারী শনাক্তকারী ডিটেক্টর অন্য শহরে গেলে যথেষ্ট পরিমাণে এবং পূর্বানুমেয়ভাবে নির্ভুলতা হারায়। কারণ মডেল নিজে নয়, বরং একসাথে আক্ষরিক অর্থে সবকিছু বদলে যায়: ক্যামেরার আলো ও সাদা ভারসাম্য, যানবাহনের ঘনত্ব, রাস্তার চিহ্ন, গাড়ির অভ্যস্ত রং এবং এমনকি সাধারণ পরিবহন মডেলগুলোর চেহারাও। আনুষ্ঠানিকভাবে এটাকে ভৌগোলিক ডোমেইন শিফট বলা হয়, আর বাস্তবে — একাধিক অঞ্চলে একসাথে সড়ক পর্যবেক্ষণ ব্যবস্থা চালু করা那些人-এর নিয়মিত মাথাব্যথা।

চিরাচরিত সমাধান — ডোমেইন অ্যাডাপ্টেশন। কিন্তু এর একটি অস্বস্তিকর বৈশিষ্ট্য আছে: প্রায় সবসময়ই এটির জন্য হয় সূক্ষ্ম আর্কিটেকচার টিউনিং দরকার, যা হাইপারপ্যারামিটার বদলালেই ভেঙে পড়ে, নয়তো টার্গেট শহরের ডেটায় সরাসরি প্রবেশাধিকার — সেগুলো প্রোফাইলিং, সেগুলোর উপর ভিত্তি করে থ্রেশহোল্ড নির্বাচন, পরিসংখ্যান বিশ্লেষণ। আর ঠিক এখানেই শুরু হয় একেবারেই অ-প্রযুক্তিগত ধরনের সীমাবদ্ধতা।

"ব্লাইন্ড" প্রশিক্ষণ চক্রের অর্থ কী

যেসব ইকোসিস্টেমে ডেটাকে সংবেদনশীল তথ্য হিসেবে বিবেচনা করা হয়, সেখানে দুটি অভ্যস্ত পথই সংজ্ঞা অনুসারেই বন্ধ। টার্গেট শহরের ফ্রেম গবেষণা স্ট্যান্ডে আপলোড করা যায় না, সেগুলোর উপর পরিসংখ্যান তৈরি করা যায় না, সেগুলোর উপর মডেল টিউন করা যায় না। থেকে যায় সম্পূর্ণ "ব্লাইন্ড" মোড: প্রশিক্ষণ ও মূল্যায়ন কোনো টার্গেট নমুনা ছাড়াই চলে, আর গুণমান যাচাই সম্ভব কেবল সেখানে, যেখানে লেবেল আগে থেকেই আছে এবং সুরক্ষিত পরিসর ছেড়ে যায়নি।

নতুন কাজটির লেখকেরা ঠিক এই কাঠামোর মধ্যেই তাদের সমস্যা দাঁড় করিয়েছেন। তাদের আগ্রহ আরেকটি চতুর অ্যাডাপ্টেশন লেয়ারে নয়, বরং আরও সহজ ও আরও আকর্ষণীয় প্রশ্নে: টার্গেট ডেটার সঙ্গে কোনো ধরনের কারসাজি বাদ দিলে, যা ইতিমধ্যে আছে — প্রি-ট্রেনিং ও অগমেন্টেশন — তা থেকে কতটা বের করা যায়।

দুটি অর্থোগোনাল ভিত্তি

অবজেক্ট ডিটেকশনের জন্য প্রস্তাবিত প্রশিক্ষণ স্কিম দুটি স্বাধীন প্রক্রিয়ার উপর দাঁড়িয়ে আছে। এখানে "অর্থোগোনাল" শব্দটি মূল: তারা একে অপরের নকল করে না এবং ভিন্ন ভিন্ন ত্রুটির উৎস দমন করে — একটি কাজ করে অবজেক্টের সেমান্টিক্স ও কাঠামো নিয়ে, দ্বিতীয়টি সেই জিনিস নিয়ে, যেখানে মডেলের মনোযোগ আটকে যায়।

Objectness distillation সহ একাধিক ডেটাসেটে প্রি-ট্রেনিং

প্রথম ভিত্তি — তথাকথিত class-agnostic objectness distillation সহ একসাথে একাধিক ডেটাসেটে প্রি-ট্রেনিংয়ের কৌশল। ধারণাটি হলো দুটি জিনিস আলাদা করা, যা সাধারণ প্রশিক্ষণে জোড়া লাগানো থাকে: যানবাহনের কাঠামোগত জ্যামিতি এবং সেমান্টিক ট্যাক্সোনমি।

সহজ কথায়, মডেল প্রথমে এই প্রশ্নের উত্তর দিতে শেখে "এখানে কি বৈশিষ্ট্যপূর্ণ আকারের কোনো অবজেক্ট আছে?", নির্দিষ্ট ডেটাসেটে সেই অবজেক্টকে কী নামে ডাকা হয় তা নিয়ে মাথা না ঘামিয়ে। এটি গুরুত্বপূর্ণ, কারণ ডেটাসেটগুলোর মধ্যে এবং শহরগুলোর মধ্যে ট্যাক্সোনমি ভিন্ন: কোথাও ভ্যানের জন্য আলাদা ক্লাস, কোথাও সবকিছু "vehicle"-এ ঠেলে দেওয়া, আর যাত্রীবাহী ও মালবাহী গাড়ির মধ্যে সীমা ভিন্নভাবে নির্ধারিত। মডেল যদি স্থানীয় লেবেল-সম্মেলনের বদলে স্থিতিশীল জ্যামিতির উপর নির্ভর করে, তবে শহর বদল তার উপর কম আঘাত হানে।

Grayworld: attention-কে রং ছাড়তে বাধ্য করা

দ্বিতীয় ভিত্তি — ডোমেইন-স্থিতিশীল অগমেন্টেশনের প্রবাহ, যেখানে Grayworld নামের একটি নতুন ট্রান্সফরমেশন যোগ করা হয়েছে। এর কাজ হলো সেখানে মডেলের পায়ের নিচ থেকে মাটি সরিয়ে দেওয়া, যেখানে সে প্রতারণা করতে অভ্যস্ত।

ডিটেক্টররা প্রায়ই "শর্টকাট" খুঁজে পায়: অবজেক্টের ক্লাসকে রঙের সঙ্গে যুক্ত করে। হলুদ গাড়ি — ট্যাক্সি, লাল সিলুয়েট — নির্দিষ্ট ধরনের পরিবহন, আকাশ বা অ্যাসফল্টের বিশেষ আভা — নির্দিষ্ট ক্যামেরা বা দিনের সময়ের চিহ্ন। একটি শহরের ভেতরে এমন সূত্র কাজ করে, কিন্তু অন্য অঞ্চলে স্থানান্তরে ভেঙে পড়ে, কারণ সেখানে রং-প্রতিফলন, আলো ও প্রচলিত রং আলাদা। Grayworld ঠিক এই ক্রোমাটিক লেবেলগুলোই দমন করে, গ্লোবাল attention-হেডগুলোকে আকার সম্পর্কে স্থিতিশীল পূর্বধারণার উপর নির্ভর করতে বাধ্য করে। রং প্রমাণ হওয়া বন্ধ করে, জ্যামিতি — থেকে যায়।

পরীক্ষা-নিরীক্ষা ও ফলাফল

মূল্যায়ন করা হয়েছে রিয়েল-টাইম ট্রান্সফরমার ডিটেক্টর RF-DETR-এ। লেখকেরা আলাদাভাবে জোর দিয়েছেন যে পুরো কাঠামো GPU মেমোরির বিনয়ী বাজেটে — 16 GB — ফিট করে, অর্থাৎ শুধু ক্লাস্টারে নয়, সাধারণ ওয়ার্কস্টেশনেও পুনরুৎপাদনযোগ্য।

অপ্টিমাইজড ভ্যারিয়েন্ট RF-DETR-HR ও RF-DETR-Grayworld বেসলাইনের তুলনায় +24.29 বৃদ্ধি দিয়েছে এবং 47.53 mAP সূচক নিয়ে AI City Challenge Track 6 লিডারবোর্ডে প্রথম স্থান অধিকার করেছে। এটি আর "বেসলাইনের চেয়ে একটু ভালো" নয় — এটি সেই ডিটেক্টরের মধ্যে পার্থক্য, যা নতুন শহরে প্রায় অকেজো, আর যেটি সেখানে কাজ করে।

কাজটি ECCV 2026 সম্মেলনের অংশ হিসেবে AI City Challenge ওয়ার্কশপে গৃহীত হয়েছে; প্রিপ্রিন্ট arXiv:2608.24154 (cs.CV, cs.AI) হিসেবে পাওয়া যায়, আর কোড ও ডেটা SKKUAutoLab/aic26_cross_city রিপোজিটরিতে রাখা হয়েছে।

এর থেকে প্র্যাকটিশনারদের কী নেওয়া উচিত

কয়েকটি সিদ্ধান্ত, যা নির্দিষ্ট বেঞ্চমার্কের বাইরেও কাজে লাগে।

• অগমেন্টেশন কোনো প্রসাধন নয়। মডেল ঠিক কোথায় আটকে যায় তা বুঝলে এটি লক্ষ্যভিত্তিকভাবে অবাঞ্ছিত পারস্পরিক সম্পর্ক ভাঙতে সক্ষম। Grayworld — রঙভিত্তিক শর্টকাটের বিরুদ্ধে সংকীর্ণ কিন্তু নির্ভুল একটি হাতিয়ারের উদাহরণ।
• প্রি-ট্রেনিং স্থানান্তরের কথা মাথায় রেখে ডিজাইন করা যায়। Class-agnostic objectness এবং জ্যামিতিকে ট্যাক্সোনমি থেকে আলাদা করা — এমন একটি কৌশল, যা সর্বত্র কাজে আসবে যেখানে ডেটাসেটে ক্লাসগুলো ভিন্নভাবে বর্ণিত।
• "ব্লাইন্ড" প্রোটোকল একটি সৎ সমস্যা-উপস্থাপনা, সীমাবদ্ধতা নয়। যদি পদ্ধতি টার্গেট ডেটায় উঁকি না দেয়, তবে তার ফলাফল প্রকৃত স্থিতিশীলতার কথা বলে, ফিটিংয়ের গুণমানের কথা নয়।
• মেমোরি বাজেটও ফলাফলের অংশ। 16 GB-এর শর্তটি এই পদ্ধতিকে প্রকৌশল চর্চায় প্রযোজ্য করে তোলে, যেখানে সবসময় শীর্ষস্থানীয় হার্ডওয়্যার থাকে না।

সতর্কতাও যথাযথ: সিদ্ধান্তগুলো একটি ডিটেক্টর পরিবার ও একটি প্রতিযোগিতামূলক ট্র্যাকের উপর পাওয়া, আর Grayworld — শেষ বিচারে একটি হিউরিস্টিক, নিশ্চয়তা নয়। ভৌগোলিক শিফট এমন একটি সমস্যা হিসেবেই থাকে, যার একটিমাত্র সর্বজনীন সমাধান নেই, তবে এখন স্পষ্ট যে অগ্রগতির একটি বড় অংশ মডেল নতুন শহর প্রথম দেখার আগেই অর্জিত হয়।