Generalization Under Scrutiny: Cross-Domain Detection Progresses, Pitfalls, and Persistent Challenges

Resumen Técnico: Generalización bajo Escrutinio en la Detección de Objetos Cruzada de Dominio (CDOD)

1. Planteamiento del Problema

Los modelos de detección de objetos entrenados en un dominio fuente (ej. imágenes sintéticas o condiciones climáticas específicas) sufren una degradación significativa de rendimiento al desplegarse en un dominio objetivo no visto (ej. condiciones reales, diferentes sensores o climas). A diferencia de la clasificación de imágenes, la detección de objetos implica dos tareas acopladas: reconocimiento (qué objeto) y localización (dónde está).

El problema central de la Detección de Objetos Cruzada de Dominio (CDOD) es que el "desplazamiento de dominio" (domain shift) no afecta solo a una etapa, sino que se propaga a través de toda la tubería de detección (pipeline). El artículo argumenta que la teoría de adaptación de dominio para clasificación no se transfiere directamente a la detección debido a:

• La naturaleza estructurada de la salida (conjuntos de cajas y clases).
• La dependencia de las etapas posteriores (cabezas de clasificación/regresión) de las propuestas generadas en etapas anteriores (RPN o anclas).
• La métrica de evaluación (mAP) que es no descomponible y oculta fallos en etapas específicas.

2. Metodología y Marco Conceptual

Los autores proponen un cambio de paradigma: dejar de ver la CDOD como un problema de alineación de características aislado y tratarla como un problema de optimización restringida y acoplada por etapas.

A. Formulación Formal del Problema
Se define la CDOD como la minimización de la pérdida de detección en el objetivo, sujeta al mantenimiento de tres invariantes críticos:

1. Cobertura de Propuestas (Recall): Las propuestas generadas en el dominio objetivo deben cubrir los objetos reales con una recall similar a la del dominio fuente.
2. Discriminatividad de Características: La representación debe mantener la separación entre fondo y primer plano, y entre clases.
3. Calibración de Regresión: El mapeo de características a deltas de cajas debe mantener consistencia geométrica.

B. Descomposición Probabilística
El artículo introduce una descomposición probabilística de la tubería de detección:
$$P_T(y | x) = \int P_T(y | b, x) P_T(b | x) db$$
Donde $P_T(b|x)$ es la distribución de propuestas y $P_T(y|b,x)$ es la distribución condicional de la cabeza de detección.

• Observación Clave: Si la etapa de propuestas falla (baja recall) debido al desplazamiento, ninguna adaptación posterior en la cabeza de detección puede recuperar el rendimiento. La adaptación de la cabeza asume implícitamente que la distribución de propuestas es transferible, lo cual a menudo es falso.

C. Taxonomía Conceptual de Seis Ejes
Para analizar la literatura existente, los autores proponen una taxonomía basada en seis ejes que revelan la "compresión del espacio de diseño" (la mayoría de los métodos se agrupan en una región estrecha):

1. Paradigma: Alineación vs. Invarianza vs. Robustez.
2. Preservación: Geometría vs. Semántica.
3. Modelado: Implícito (pérdidas de confusión) vs. Explícito (modelado de distribuciones).
4. Granularidad: Nivel de Instancia vs. Nivel de Escena.
5. Espacio de Etiquetas: Conjunto Cerrado vs. Conjunto Abierto vs. Universal.
6. Razonamiento: Correlacional vs. Causal.

3. Contribuciones Clave

1. Formulación Unificada: Definición formal de la CDOD como un problema de optimización con restricciones en tres invariantes (cobertura, discriminatividad, calibración).
2. Análisis de Propagación de Fallos: Demostración teórica y empírica de cómo los errores en la extracción de características o generación de propuestas se amplifican en las etapas de clasificación y regresión.
3. Taxonomía de Diagnóstico: Una nueva clasificación que expone los vacíos en la investigación actual (ej. escasez de métodos causales, de conjunto abierto o de modelado explícito).
4. Identificación de Modos de Fallo: Análisis de por qué los métodos actuales fallan bajo ciertas condiciones (ej. alineación adversaria que perjudica a clases raras, o auto-entrenamiento que amplifica sesgos).
5. Revisión de Benchmarks y Desafíos: Evaluación crítica de los conjuntos de datos actuales y siete desafíos profundos que limitan el progreso real.

4. Resultados y Hallazgos Principales

El análisis de la literatura (incluyendo más de 50 métodos representativos) revela las siguientes conclusiones:

• Compresión del Espacio de Diseño: La gran mayoría de los métodos se centran en alineación de características implícita, bajo supuestos de conjunto cerrado y adaptación correlacional. Hay una falta crítica de investigación en enfoques causales, universales o de generalización de dominio (DG) robusta.
• Trade-off Clasificación vs. Localización: Muchos métodos mejoran el mAP general al optimizar la clasificación, pero degradan la localización (regresión). Como el mAP es una métrica agregada, este deterioro a menudo pasa desapercibido.
• Fallo de la Alineación Adversaria: Los métodos que minimizan la discrepancia marginal de características tienden a colapsar el espacio de características de las clases raras y el fondo, reduciendo la discriminatividad necesaria para la detección.
• Amplificación de Sesgo en Auto-entrenamiento: El uso de pseudo-etiquetas sin supervisión tiende a reforzar los errores sistemáticos del modelo fuente (sesgo de confirmación), especialmente si no hay un mecanismo externo para corregir falsos positivos.
• Limitaciones de los Benchmarks: La mayoría de los avances se reportan en escenarios "Sintético a Real" (donde el desplazamiento es principalmente de apariencia). Estos métodos a menudo fallan en escenarios "Real a Real" que involucran cambios semánticos, contextuales o de escala.

5. Significado e Impacto

Este artículo es fundamental para el campo de la visión por computadora por las siguientes razones:

• Cambio de Enfoque: Mueve la discusión de "mejorar el mAP" a "preservar invariantes estructurales" a lo largo de toda la tubería de detección.
• Guía para Futuras Investigaciones: Identifica direcciones prometedoras que han sido ignoradas, tales como:
  • Modelado Causal: Separar causas estables (contenido) de factores espurios (estilo).
  • Uso de Modelos Fundacionales: Utilizar modelos de visión-lingüística grandes para guiar la adaptación y romper el ciclo de confirmación del auto-entrenamiento.
  • Adaptación en Tiempo de Prueba (TTA): Adaptar el modelo en tiempo de inferencia ante cambios de dominio no vistos.
  • Métricas Desacopladas: Abogar por el abandono del mAP único a favor de métricas específicas por etapa (recall de propuestas, error de localización, error de calibración).
• Viabilidad en el Mundo Real: Proporciona una hoja de ruta para desarrollar sistemas de detección que sean verdaderamente robustos en despliegues críticos (vehículos autónomos, vigilancia), donde la fiabilidad geométrica y la calibración son tan importantes como la precisión de la clasificación.

En conclusión, el paper argumenta que la CDOD no puede resolverse con parches modulares aislados; requiere un enfoque holístico que entienda la detección como un sistema acoplado donde la preservación de la cobertura de propuestas, la discriminatividad y la calibración es esencial para la generalización robusta.