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

1. Il Problema: Rilevamento Oggetti Cross-Domain (CDOD)

Il paper affronta il problema critico del Cross-Domain Object Detection (CDOD). I modelli di rilevamento oggetti addestrati su un dominio sorgente (es. immagini sintetiche o una specifica città) subiscono un drastico calo delle prestazioni quando vengono distribuiti in un dominio target non visto (es. condizioni meteo diverse, sensori differenti, nuove geografie).

A differenza della semplice classificazione, il rilevamento oggetti è un compito accoppiato che richiede due output simultanei:

1. Classificazione: Cosa è l'oggetto?
2. Localizzazione: Dove si trova l'oggetto (bounding box)?

Il paper evidenzia che lo "shift di dominio" non colpisce un singolo punto di fallimento, ma si propaga attraverso l'intera pipeline di rilevamento (estrazione delle feature, generazione delle proposte, testine di classificazione e regressione). Le attuali soluzioni sono frammentate e spesso si concentrano solo sull'allineamento delle feature, ignorando la complessità strutturale del problema.

2. Metodologia e Quadro Teorico

Gli autori propongono un cambio di paradigma: trattare il CDOD non come un problema di allineamento delle feature, ma come un problema di ottimizzazione vincolata e accoppiata per stadi.

A. Formulazione Formale del Problema

Il rilevamento cross-domain è definito come la minimizzazione della perdita di rilevamento sul dominio target, soggetta al mantenimento di tre invarianti fondamentali:

1. Copertura delle Proposte (Proposal Coverage): Le proposte generate nel dominio target devono coprire gli oggetti reali con un richiamo (recall) simile a quello del dominio sorgente.
2. Discriminatività delle Feature: Le rappresentazioni interne devono rimanere distinguibili tra foreground (oggetti) e background, e tra diverse classi.
3. Calibrazione della Regressione: La mappatura dalle feature agli offset delle bounding box deve rimanere geometricamente coerente.

L'equazione fondamentale (Eq. 2) impone che l'adattamento non possa avvenire solo allineando le feature, ma deve preservare queste tre invarianti simultaneamente.

B. Decomposizione Probabilistica della Pipeline

Il paper introduce una visione probabilistica della pipeline di rilevamento (Eq. 3):
$$P_T(y | x) = \int P_T(y | b, x) P_T(b | x) db$$
Dove $P_T(b|x)$ è la distribuzione delle proposte e $P_T(y|b,x)$ è la distribuzione condizionata della testina di rilevamento.

• Osservazione Chiave: Se la qualità delle proposte ($P_T(b|x)$) degrada a causa dello shift, nessuna adattamento della testina ($P_T(y|b,x)$) può recuperare le prestazioni. Il "soffitto" delle prestazioni è strutturale.
• Accoppiamento: Migliorare uno stadio altera la distribuzione di input dello stadio successivo. Adattamenti che funzionano per la classificazione possono distruggere la coerenza geometrica necessaria per la regressione.

C. Tassonomia Concettuale a Sei Assi

Per analizzare la letteratura esistente, gli autori propongono una tassonomia basata su sei assi dimensionali, rivelando una forte compressione dello spazio di progettazione (la maggior parte dei metodi si concentra su un'unica regione):

1. Paradigma: Allineamento vs. Invarianza vs. Robustezza.
2. Preservazione: Geometrica (box, scala) vs. Semantica (significato della classe).
3. Modellazione: Implicita (funzioni di perdita) vs. Esplicita (modelli di distribuzione).
4. Livello: Istanza (oggetti locali) vs. Scena (contesto globale).
5. Set di Classi: Closed-set vs. Open-set vs. Universale.
6. Ragionamento: Correlazionale (statistiche) vs. Causale (struttura causale dello shift).

3. Risultati e Analisi Critica

L'analisi sistematica porta a diverse conclusioni critiche sulla ricerca attuale:

• Dominio dell'Allineamento: La maggior parte dei metodi (es. allineamento avversariale, self-training) si concentra sull'allineamento delle feature marginali. Questo spesso migliora la classificazione a scapito della localizzazione, un compromesso nascosto perché le metriche standard (mAP) non lo rivelano.
• Fallimenti Strutturali:
  • Amplificazione del Bias: Il self-training tende a rinforzare gli errori sistematici del modello sorgente (es. confondere lo sfondo con una classe frequente), creando un ciclo di feedback negativo.
  • Instabilità delle Proposte: I metodi raramente adattano il modulo di generazione delle proposte (RPN o anchor), assumendo erroneamente che queste si trasferiscano bene.
  • Asimmetria Foreground/Background: L'allineamento globale tende a allineare troppo lo sfondo (che è abbondante) e troppo poco gli oggetti (che sono rari), riducendo la discriminatività.
  • Mancanza di Calibrazione: Le prestazioni di confidenza (calibrazione) spesso crollano nel dominio target, rendendo inaffidabili i meccanismi di selezione delle pseudo-label.
• Limiti dei Benchmark: Le valutazioni attuali si basano quasi esclusivamente sul mAP su coppie sorgente-target sintetiche (es. GTA5 $\to$ Cityscapes), che non catturano la complessità degli shift reali (es. real-to-real, long-tail, open-set).

4. Contributi Chiave

1. Formulazione Unificata: Definizione matematica del CDOD come ottimizzazione vincolata che preserva copertura, discriminatività e calibrazione.
2. Decomposizione della Pipeline: Analisi probabilistica che dimostra come lo shift si propaga attraverso gli stadi, rendendo l'adattamento della sola classificazione insufficiente.
3. Tassonomia e Mappatura: Una classificazione a sei assi che evidenzia la mancanza di diversità nella ricerca attuale (mancanza di approcci causali, espliciti, open-set e di generalizzazione del dominio).
4. Analisi dei Modelli di Fallimento: Identificazione di cinque modi di fallimento ricorrenti (es. danno alle classi rare, amplificazione del bias, fallimento nel real-to-real).
5. Diagnostica a Stadio: Proposta di metriche specifiche per ogni stadio (richiamo delle proposte, accuratezza di classificazione con box oracle, errore di localizzazione) per superare i limiti del mAP.

5. Significato e Direzioni Future

Il paper conclude che il CDOD non può essere risolto con "patch" modulari o semplici allineamenti di feature. La ricerca futura deve spostarsi verso:

• Modellazione Causale: Separare esplicitamente fattori stabili (contenuto) da fattori instabili (stile) tramite grafi causali.
• Uso di Foundation Models: Utilizzare modelli pre-addestrati (VLM, SAM) per fornire segnali di supervisione più robusti e ridurre il bias del self-training.
• Adattamento al Test (Test-Time Adaptation): Sviluppare metodi che si adattino in tempo reale durante l'inferenza senza riaddestramento.
• Adattamento Continuo: Gestire flussi di nuovi domini senza dimenticare quelli precedenti (catastrophic forgetting).
• Metriche Migliorate: Abbandonare il mAP come unica metrica a favore di diagnostiche a stadio e metriche di calibrazione.

In sintesi, questo lavoro fornisce un quadro teorico unificato per comprendere perché i metodi attuali falliscono sotto shift di dominio severi e delinea una roadmap per lo sviluppo di sistemi di rilevamento oggetti realmente robusti e affidabili in scenari reali.