Modelling and Simulation of Neuromorphic Datasets for Anomaly Detection in Computer Vision

Este artículo presenta ANTShapes, un nuevo marco de simulación basado en Unity que genera datasets neuromórficos personalizables y etiquetados estadísticamente para abordar la escasez de datos en la detección de anomalías y otras tareas de visión por computadora basada en eventos.

Lo esencial

Imagina que quieres enseñar a un robot a detectar cosas raras en una calle, como un coche conduciendo al revés o una persona caminando de cabeza. Para eso, necesitas "entrenar" al robot con miles de videos de ejemplos normales y ejemplos raros.

El problema es que la tecnología de cámaras especializadas (llamadas sensores neuromórficos o DVS) es muy nueva y cara. Son como cámaras que no graban "películas" completas, sino que solo "chillan" cuando algo se mueve, consumiendo muy poca energía. Pero como son tan nuevas, no hay suficientes videos reales de estas cámaras para entrenar a los robots.

Aquí es donde entra este trabajo de investigación, presentado por un equipo de varias universidades británicas. Han creado una herramienta llamada ANTShapes.

¿Qué es ANTShapes? (La analogía del "Simulador de Caos")

Piensa en ANTShapes como un videojuego de simulación (construido sobre el motor de Unity, el mismo que usan muchos juegos famosos) diseñado específicamente para crear estos videos especiales.

En lugar de grabar una calle real, el programa crea un mundo virtual abstracto lleno de formas geométricas (cubos, esferas, pirámides) que se mueven por la pantalla.

1. La "Manada" Normal: Imagina un grupo de cubos y esferas que se mueven de forma predecible. Todos giran a una velocidad similar, se desplazan en la misma dirección y cambian de tamaño de forma suave. Esto representa el "comportamiento normal" de la multitud.
2. El "Intruso" Raro: De repente, aparece un cubo que gira como un trombo loco, se mueve en dirección contraria a todos o cambia de tamaño bruscamente. ¡Ese es el anomalía!

¿Cómo decide qué es "raro"? (La regla de la "Media")

El programa no tiene que memorizar qué es normal. Usa una regla matemática simple basada en la estadística (el Teorema del Límite Central):

• Imagina que lanzas muchas monedas. La mayoría caerán cerca del promedio.
• En el simulador, la mayoría de los objetos se comportarán cerca de un "promedio" (velocidad media, rotación media).
• El programa calcula qué tan lejos se aleja un objeto de ese promedio. Si un objeto se aleja demasiado (como un cubo que viaja a la velocidad de la luz mientras los demás caminan), el sistema lo marca en rojo y lo etiqueta como "sospechoso".

Es como un profesor que sabe que la mayoría de sus alumnos sacan notas entre un 6 y un 8. Si alguien saca un 2 o un 10, el profesor sabe inmediatamente que algo es inusual y necesita revisarlo.

¿Por qué es importante esto?

1. Ahorro de dinero y tiempo: No necesitan instalar cámaras costosas en la calle durante años para capturar un solo accidente o comportamiento raro. Pueden generar millones de escenarios raros en cuestión de segundos.
2. Entrenamiento perfecto: Pueden controlar exactamente qué es "raro". ¿Quieres entrenar al robot para detectar solo objetos que giran muy rápido? ¡Listo! El programa ignora todo lo demás y se enfoca solo en eso.
3. Pruebas para el futuro: Ayuda a desarrollar inteligencia artificial que funcione en dispositivos pequeños y con poca batería (como cámaras de seguridad en el borde de la red), ya que estos dispositivos necesitan aprender a detectar anomalías de forma muy eficiente.

En resumen

ANTShapes es una "fábrica de escenarios raros". Es un laboratorio virtual donde los científicos pueden crear infinitas situaciones extrañas con formas geométricas para enseñar a las inteligencias artificiales a gritar: "¡Oye, eso no es normal!", todo sin necesidad de tener cámaras reales en la calle.

Es como tener una caja de juguetes mágica donde puedes crear tormentas, terremotos o alienígenas en un instante, solo para ver cómo reacciona tu robot de seguridad ante el caos.

Resumen técnico

A continuación se presenta un resumen técnico detallado del artículo "Modelling and Simulation of Neuromorphic Datasets for Anomaly Detection in Computer Vision" en español, estructurado según los puntos solicitados.

1. El Problema

El artículo identifica una limitación fundamental en la investigación de visión por computadora neuromórfica: la escasez de conjuntos de datos (datasets) reales capturados por sensores de visión dinámica (DVS).

• Falta de datos reales: Los sensores neuromórficos (DVS) no se utilizan típicamente como cámaras de seguridad, lo que genera una carencia crítica de datos para entrenar redes neuronales de espigas (SNN) en tareas de detección de anomalías.
• Limitaciones de los simuladores existentes:
  • Los métodos que interpolan datos de cuadros (frames) tradicionales para simular eventos a menudo fallan si la tasa de captura temporal es baja.
  • Los enfoques que apuntan una cámara DVS a un monitor introducen ruido externo.
  • Simuladores como CARLA están diseñados para vehículos autónomos (movimiento ego), no para escenarios de vigilancia estática, y requieren un esfuerzo manual masivo para definir anomalías, lo que introduce errores humanos y falta de automatización.

2. Metodología: ANTShapes

Para abordar estas carencias, los autores presentan ANTShapes (Anomalous Neuromorphic Tool for Shapes), un marco de simulación de conjuntos de datos construido sobre el motor Unity.

A. Definición de Anomalías y Agentes

• Agentes: Objetos 3D abstractos (formas geométricas básicas y complejas) que comparten propiedades como forma, escala y textura.
• Comportamiento Normal vs. Anómalo:
  • Se asume que el comportamiento de una multitud sigue una distribución normal (Teorema del Límite Central).
  • Las anomalías se definen como desviaciones estadísticas de este comportamiento esperado.
  • Se modelan atributos como traslación, rotación, escala y posición inicial mediante distribuciones normales con media ($\mu$) y desviación estándar ($\sigma$).
• Cálculo de Probabilidad:
  • Se utiliza una función de distribución acumulada para calcular la probabilidad de que un agente exista con un conjunto de comportamientos dado.
  • Una anomalía se define cuando la probabilidad global ($\omega_n$) cae por debajo de un umbral normalizado ($v$).
  • Se introduce una función de "curva cúbica absoluta" para exagerar las desviaciones y separar efectivamente a los agentes anómalos de los normales.

B. Generación de la Escena y Eventos

• Escenas Abstractas: A diferencia de simuladores realistas, ANTShapes utiliza escenas abstractas para facilitar el análisis de bajo nivel de las características de aprendizaje de las SNN.
• Generación de Eventos (Spiking):
  • Se compara la intensidad de píxeles monocromáticos entre el cuadro actual ($f^t$) y el anterior ($f^{t-1}$).
  • Se aplica un umbral de histéresis bipolar ($\pm \beta$) para detectar cambios de intensidad.
  • Se genera una matriz de eventos donde:
    • 1: Aumento de brillo.
    • 0: Disminución de brillo.
    • 0.5: Sin cambio significativo.
• Control de Parámetros: Los usuarios pueden ajustar el número de objetos, la escala temporal (de milisegundos a microsegundos para simular sensores de eventos reales), el ruido de fondo y la definición de qué atributos constituyen una anomalía.

3. Contribuciones Clave

1. ANTShapes: Un nuevo framework de simulación capaz de generar conjuntos de datos neuromórficos sintéticos ilimitados y personalizables.
2. Automatización de Anomalías: Un proceso estadístico basado en el Teorema del Límite Central para etiquetar automáticamente objetos anómalos sin intervención manual, eliminando el sesgo humano.
3. Flexibilidad de Escenario: Capacidad para simular comportamientos complejos (rotación, traslación, escala) en múltiples ejes, permitiendo a los investigadores aislar atributos específicos para la detección de anomalías.
4. Soporte Multiplataforma: Disponibilidad de código fuente en Unity 6.1 para Linux y Windows, facilitando la reproducibilidad.

4. Resultados y Estado Actual

• Generación de Datos: El sistema puede producir datasets con un número arbitrario de muestras, junto con datos de etiquetas y frames correspondientes.
• Visualización: La herramienta visualiza la probabilidad de existencia de los objetos (P-valor), donde los objetos azules son comunes y los rojos son anomalías definidas por el usuario (ej. basadas en la distancia al centro o velocidad).
• Limitaciones Reconocidas:
  • El modelo actual asume que los eventos son no causales e independientes, lo que no refleja completamente la realidad (los agentes pueden intersecarse).
  • El sistema es una simplificación de la realidad; aún no ha sido probado exhaustivamente con arquitecturas SNN reales para validar su eficacia práctica.
  • La cámara es estática (no hay movimiento ego), lo cual es ideal para vigilancia pero limitado para otros usos.

5. Significado e Impacto

El trabajo es significativo porque resuelve el cuello de botella de la disponibilidad de datos en el campo emergente de la visión neuromórfica.

• Habilitador de Investigación: Permite a los investigadores entrenar y evaluar SNNs para detección de anomalías en entornos de borde (edge devices) de bajo consumo, sin depender de hardware DVS escaso.
• Control Experimental: Al ofrecer un entorno altamente controlable, facilita el estudio de las características de aprendizaje de las SNN antes de pasar a escenarios realistas complejos.
• Futuro: El marco sienta las bases para futuras extensiones, como la inclusión de agentes humanos, modelado de causalidad, visión estereoscópica y movimiento de cámara, acercando la simulación a la realidad física.

En resumen, ANTShapes es una herramienta fundamental para democratizar la investigación en visión por computadora neuromórfica, proporcionando un método robusto y automatizado para la creación de datos sintéticos de alta calidad para la detección de anomalías.