Sintesi Tecnica: TopoLeaf

Definizione del Problema

Il documento affronta la sfida del rilevamento visivo di anomalie zero-shot in domini complessi e testurizzati, specificamente nel contesto dei Sistemi Cibernetico-Fisici Agricoli (A-CPS). Gli approcci tradizionali di deep learning per il rilevamento delle anomalie affrontano tre criticità fondamentali in questo scenario:

1. Assunzioni a set chiuso: Presumono che tutti i tipi di anomalie siano presenti nei dati di addestramento, fallendo quando emergono nuovi tipi di malattie o specie colturali.
2. Costi di annotazione: Le maschere di segmentazione a livello di pixel richiedono un'esperienza e uno sforzo professionali proibitivi.
3. Fragilità cross-domain: Il fine-tuning di modelli di grandi dimensioni è computazionalmente costoso, e le metriche geometriche standard (ad es. distanza euclidea o coseno) soffrono di un grave degrado delle prestazioni quando il dominio target (ad es. una nuova specie di coltura) devia significativamente dal dominio sorgente a causa di "spostamenti del manifold delle feature" (feature manifold shifts).

L'obiettivo centrale è costruire uno strato percettivo che sia training-free, annotation-free e auto-organizzante, capace di mantenere la stabilità diagnostica sotto perturbazioni precedentemente non viste senza necessità di riaddestramento.

Metodologia: Framework TopoLeaf

TopoLeaf è un framework training-free che sfrutta le robuste rappresentazioni semantiche del modello di visione foundation DINOv2 (ViT-S/14) congelato. Opera senza fine-tuning e si compone di quattro fasi primarie:

1. Estrazione delle Feature

Le immagini in input vengono elaborate attraverso un backbone DINOv2 congelato per estrarre vettori di feature a livello di patch. Il token [CLS] viene scartato a favore dei token di patch per consentire un'analisi spaziale fine.

2. Selezione della Dimensionalità Basata sulla Stabilità

Per mitigare il rumore specifico del dominio, il metodo filtra lo spazio delle feature.

• Meccanismo: Calcola la varianza di ogni dimensione delle feature su un insieme di immagini di riferimento sane.
• Selezione: Mantiene solo le dimensioni con la varianza più bassa (specificamente il 50° percentile, $p=50$).
• Razionale: Le dimensioni a bassa varianza catturano proprietà strutturali invarianti del tessuto sano, mentre le dimensioni ad alta varianza spesso codificano texture specifiche del dominio (ad es. forme fogliari specifiche o condizioni di illuminazione) che causano falsi positivi durante il trasferimento cross-domain. Questo funge da meccanismo di regolarizzazione del manifold.

3. Scoring delle Anomalie a Doppio Percorso

Il framework impiega due meccanismi di scoring complementari per rilevare le deviazioni dalla distribuzione di riferimento sana:

• Geometric Anomaly Score:

  • Calcola la distanza del coseno media tra una patch di test e i suoi $K$ vicini più prossimi ($K=30$) all'interno dello spazio sottodimensionato selezionato per stabilità.
  • Lo score a livello di immagine è il 90° percentile di queste deviazioni a livello di patch.
  • Limitazione: Sebbene efficace in domini allineati, questa metrica è sensibile agli spostamenti di dominio e può generare alti tassi di falsi positivi quando il dominio target è strutturalmente isolato.

• Topological Anomaly Score:

  • Utilizza l'omologia persistente 0-dimensionale sui vicinati locali delle patch sane.
  • Costruisce una filtrazione di Vietoris-Rips per una patch di test e i suoi vicini, confrontando i risultanti diagrammi di persistenza ($PD$) con quelli del riferimento sano.
  • Lo score misura il cambiamento nel tempo massimo di "morte" (fusione dei componenti connessi) e la vita media delle feature 0-dimensionali.
  • Vantaggio: Basato sul teorema di stabilità dell'omologia persistente, questo score è robusto alle piccole perturbazioni dell'input e cattura sottili deviazioni strutturali (mutazioni della micro-texture) che le distanze geometriche spesso perdono.

4. Generazione di Heatmap

Le deviazioni a livello di patch vengono rimodellate, sovracampionate tramite interpolazione bicubica e smussate per generare una heatmap di anomalia per la localizzazione.

Contributi Chiave

1. Selezione della Dimensionalità delle Feature per Stabilità: Un metodo innovativo per filtrare le feature di DINOv2 mantenendo le dimensioni a bassa varianza, sopprimendo efficacementamente il rumore specifico del dominio e amplificando le perturbazioni indotte dalle malattie.
2. Meccanismo di Scoring a Doppio Percorso: L'integrazione della distanza KNN geometrica con l'omologia persistente locale, fornendo una prospettiva topologica che integra le metriche geometriche, particolarmente in scenari cross-domain degeneri.
3. Benchmark Cross-Domain Completo: Una valutazione sistematica sul dataset PlantVillage coinvolgendo oltre 3.100 immagini attraverso 40 coppie sorgente-target (5 domini sorgente $\times$ 8 specie target), stabilendo una mappa quantitativa delle prestazioni zero-shot.
4. Rilascio Open-Source: Disponibilità pubblica del codice sorgente completo, dei confronti con i baseline e di un sistema di dimostrazione interattivo basato sul web.

Risultati Sperimentali

Il framework è stato valutato contro cinque baseline classiche di rilevamento delle anomalie (Mahalanobis, Cosine KNN, Isolation Forest, One-Class SVM, LOF) ed è stato validato su molteplici backbone (DINOv2, CLIP, ResNet-50).

• Performance in Domini Allineati: TopoLeaf raggiunge un rilevamento quasi perfetto in domini ben allineati. Ad esempio, il rilevamento di anomalie nella Fragola utilizzando la Mela come sorgente produce un AUROC di 0.994.
• Generalizzazione Cross-Domain: La media dell'AUROC su tutte le 40 combinazioni è 0.658, superando significativamente i baseline classici che oscillano vicino o al di sotto del baseline del caso casuale (0.5).
• Gestione dell'Isolamento Strutturale (Il Caso "Mais"):
  • Il documento identifica una limitazione fondamentale dove il dominio "Mais" è strutturalmente isolato nel manifold delle feature di DINOv2.
  • Nel trasferimento Mais $\to$ Mela, lo score geometrico scende a 0.221 (peggio del caso casuale), e i campioni di Mais sani ottengono punteggi più alti di quelli malati (un'inversione).
  • Tuttavia, lo score topologico dimostra una complementarità strutturale, raggiungendo un AUROC di 0.542 in questa stessa coppia difficile, provando la sua capacità di fornire un segnale laddove le metriche geometriche falliscono completamente.
• Studi di Ablazione: Rimuovere la selezione della dimensionalità basata sulla stabilità riduce le prestazioni cross-domain, confermando che filtrare le dimensioni ad alta varianza è cruciale per la generalizzazione.

Significato e Rivendicazioni

Il documento posiziona TopoLeaf come un passo verso strati percettivi adattivi e auto-organizzanti per sistemi agricoli a ciclo chiuso. La sua importanza risiede in:

1. Deployability Zero-Shot: Permette l'implementazione immediata su nuove varietà di colture senza i cicli di addestramento di settimane richiesti dai metodi supervisionati, allineandosi al principio cibernetico della varietà richiesta.
2. Degradazione Graziosa (Graceful Degradation): A differenza dei sistemi che falliscono catastroficamente sotto spostamenti di dominio, TopoLeaf mostra una "degradazione graziosa". Anche quando lo scoring geometrico fallisce (come nel caso del Mais), il percorso topologico mantiene una funzionalità parziale, un segno distintivo dei sistemi cibernetici robusti.
3. Robustezza Modality-Agnostic: Affidandosi a invarianti topologici piuttosto che all'allineamento testo-immagine (a differenza di WinCLIP o AnomalyDINO), il metodo offre un'alternativa matematicamente fondata per domini specializzati dove le descrizioni testuali delle mutazioni della micro-texture sono scarse o ambigue.

Gli autori riconoscono le limitazioni, notando che lo score topologico è più rumoroso dello score geometrico in domini ben allineati, e che il deployment sul campo (al di fuori delle immagini controllate di PlantVillage) rimane non testato. Suggeriscono lavori futuri sull'omologia 1-dimensionale per le strutture venose e su meccanismi di fusione adattiva appresi.