Debiasing Central Fixation Confounds Reveals a Peripheral "Sweet Spot" for Human-like Scanpaths in Hard-Attention Vision

1. Il Problema: Il Bias Centrale nei Metriche di Scanpath

Il lavoro affronta una sfida critica nella valutazione dei modelli di visione artificiale basati sull'attenzione "hard" (dove l'agente seleziona attivamente dove guardare). L'obiettivo è determinare se i percorsi di fissazione (scanpaths) generati da questi modelli assomigliano realmente a quelli umani.

Tuttavia, le metriche standard per confrontare gli scanpath (come DTW, ScanMatch, NSS e AUC) sono fortemente confondate dal bias centrale (center bias) presente nei dataset di eye-tracking umani.

• Il Fenomeno: Gli esseri umani tendono a fissare il centro dell'immagine più frequentemente, specialmente in dataset centrati su oggetti (come CIFAR-10).
• La Conseguenza: Una strategia banale che fissa costantemente il centro dell'immagine ottiene punteggi di similarità sorprendentemente alti con gli scanpath umani, ingannando le metriche standard. Questo rende difficile distinguere tra un vero allineamento comportamentale (strategia cognitiva) e una semplice tendenza spaziale verso il centro.
• Il Gap: Non esiste una correzione sistematica per questo bias nella valutazione delle strategie attive, portando a conclusioni ottimistiche e fuorvianti sulla "umanità" dei modelli.

2. Metodologia

Dataset e Modello

• Dataset: Gli autori utilizzano Gaze-CIFAR-10, un dataset di riconoscimento di oggetti annotato con sequenze di fissazione umana (test su 9.116 immagini, 12 passi di fissazione).
• Modello: Viene impiegato un classificatore Hard-Attention basato su un agente ricorrente (MRAM - Multi-Level Recurrent Attention Model). L'agente opera in un ciclo percezione-azione: fissa un punto, riceve un campione sensoriale limitato (un "glimpse"), aggiorna lo stato interno e decide la prossima fissazione.
• Vincoli Sensoriali: Il modello simula la visione foveale e periferica. L'input può essere:
  • Solo foveale (fov_only).
  • Foveale + contesto periferico a bassa risoluzione (fov+per).
  • Contesto periferico ampio (big_per).
  • Viene eseguita una scansione (sweep) sulle dimensioni del patch foveale (da 2 a 32 pixel) per variare il campo visivo effettivo.

Metriche di Valutazione

Oltre alle metriche standard (DTW, ScanMatch, NSS, AUC), gli autori introducono una nuova metrica per correggere il bias:

• GCS (Gaze Consistency Score): Una metrica composita e "debiasata" (corretta dal bias).
  • Normalizzazione: I punteggi delle metriche standard sono normalizzati tra un limite superiore (accordo umano-uomo) e un limite inferiore (fissazione nell'angolo).
  • Correzione del Bias: Viene sottratto esplicitamente il punteggio ottenuto da una politica di fissazione centrale ("center baseline").
  • Componente Dinamica: Viene aggiunto un termine di similarità dei movimenti (Sim_move) basato su statistiche temporali (lunghezza del percorso, ampiezza delle saccadi, entropia di direzione, ecc.) per penalizzare le politiche che coincidono solo spazialmente ma non temporalmente.
  • Formula: $GCS = \frac{1}{4}\sum \tilde{M}_{db} + \lambda \cdot Sim_{move}$.

3. Risultati Chiave

1. Conferma del Bias Centrale

L'analisi empirica su Gaze-CIFAR-10 dimostra che una politica banale di fissazione centrale ottiene punteggi di similarità molto elevati con gli scanpath umani secondo le metriche standard (es. AUC ~0.65, NSS ~1.14). Questo conferma che le metriche tradizionali sovrastimano l'allineamento comportamentale.

2. La "Sweet Spot" Periferica

Utilizzando il GCS, gli autori rivelano l'esistenza di una "sweet spot" periferica (un regime ottimale di vincoli sensoriali):

• Vincoli Moderati: Solo una gamma ristretta di vincoli sensoriali (patch foveali di dimensione intermedia, es. 8 pixel, combinati con contesto periferico fov+per) produce scanpath che superano significativamente la baseline centrale e mostrano dinamiche di movimento simili a quelle umane.
• Trade-off Prestazioni/Allineamento: La configurazione con la massima accuratezza di classificazione (spesso con campi visivi più ampi o solo foveali) non corrisponde necessariamente alla migliore allineamento umano. Ad esempio, la configurazione con la massima accuratezza (fov_only, patch 8) ha un GCS molto basso (0.006), mentre la configurazione con il miglior GCS (fov+per, patch 8) ha un'accuratezza leggermente inferiore ma un allineamento comportamentale superiore.

3. Il Regime delle "Scorciatoie" (Shortcut Regime)

Quando il campo visivo diventa troppo ampio (es. big_per con patch grandi), il modello tende a entrare in un "regime di scorciatoia". In questo caso, l'agente può risolvere il compito di classificazione accumulando prove passive senza bisogno di esplorazione attiva, riducendo la necessità di movimenti oculari complessi e peggiorando l'allineamento con le dinamiche umane.

4. Dinamiche di Movimento

L'analisi delle statistiche di movimento nella "sweet spot" mostra che il modello non si limita a fissare il centro. Sebbene il modello esplori meno degli umani (percorso totale più corto), le sue dinamiche (entropia di direzione, ampiezza delle saccadi) sono più simili a quelle umane rispetto ai regimi che sfruttano il bias centrale o i campi visivi troppo ampi.

4. Contributi Principali

1. Quantificazione del Bias: Dimostrazione empirica che su dataset centrati su oggetti, una politica di fissazione centrale banale inganna le metriche standard di similarità degli scanpath.
2. Introduzione del GCS: Sviluppo di una nuova metrica di valutazione (Gaze Consistency Score) che corregge il bias centrale e integra la similarità delle dinamiche temporali, offrendo una valutazione più robusta dell'allineamento comportamentale.
3. Scoperta del Regime Meccanicistico: Identificazione di una "sweet spot" periferica nei modelli di attenzione hard, dove i vincoli sensoriali intermedi favoriscono strategie di esplorazione attiva simili a quelle umane, mentre vincoli troppo larghi o troppo stretti portano a comportamenti subottimali o "scorciatoie".

5. Significato e Implicazioni

• Rivalutazione dei Benchmark: Il lavoro avverte che l'uso di dataset object-centric per valutare l'attenzione attiva può essere fuorviante se non si applicano correzioni per il bias centrale. Le metriche standard non sono sufficienti per affermare che un modello è "umano".
• Progettazione di Modelli: Suggerisce che per ottenere comportamenti simili a quelli umani, i modelli di percezione attiva devono essere progettati con vincoli sensoriali specifici (un compromesso tra risoluzione foveale e contesto periferico) che forzano l'accumulo attivo di prove, piuttosto che permettere il riconoscimento passivo.
• Futuro della Ricerca: Propone che la "somiglianza umana" non sia una proprietà assoluta di un modello, ma emerga da un regime specifico di vincoli percettivi. Suggerisce la necessità di raccogliere dati di sguardo con geometrie di visione variate per validare ulteriormente queste ipotesi meccanicistiche.

In sintesi, il paper dimostra che per valutare correttamente l'intelligenza visiva attiva, è necessario separare la semplice tendenza spaziale (bias) dalle vere dinamiche cognitive di esplorazione, utilizzando metriche debiasate come il GCS.