Technische Samenvatting: TopoLeaf

Probleemstelling

Het paper behandelt de uitdaging van zero-shot visuele anomaliedetectie in complexe, getextureerde domeinen, specifiek binnen de context van Agrarische Cyber-Fysieke Systemen (A-CPS). Traditionele deep learning-benaderingen voor anomaliedetectie kampen in deze setting met drie kritieke beperkingen:

1. Closed-set aannames: Ze gaan ervan uit dat alle soorten anomalieën aanwezig zijn in de trainingsdata, waardoor ze falen wanneer nieuwe ziektebeelden of gewassen verschijnen.
2. Annotatiekosten: Pixel-niveau segmentatiemaskers vereisen een enorme expertise en inspanning van domeinkennis.
3. Cross-domein fragiliteit: Het fine-tunen van grote modellen is computationeel duur, en standaard geometrische metrieken (bijv. Euclidische of cosinusafstand) lijden onder ernstige prestatievermindering wanneer het doel-domein (bijv. een nieuw gewas) significant afwijkt van het bron-domein door "feature manifold shifts".

Het kernobjectief is het bouwen van een perceptielaag die training-vrij, annotatie-vrij en zelforganiserend is, in staat om diagnostische stabiliteit te handhaven onder voorheen ongeziene perturbaties zonder hertraining.

Methodologie: TopoLeaf Framework

TopoLeaf is een training-vrij framework dat gebruikmaakt van de robuuste semantische representaties van het bevroren DINOv2 vision foundation model (ViT-S/14). Het opereert zonder fine-tuning en bestaat uit vier primaire stadia:

1. Feature Extractie

Inputafbeeldingen worden verwerkt door een bevroren DINOv2-backbone om patch-level feature vectoren te extraheren. De [CLS] token wordt weggegooid ten gunste van patch tokens om fijnmazige ruimtelijke analyse mogelijk te maken.

2. Stabiliteits-gebaseerde Dimensionaliteitsselectie

Om domeinspecifieke ruis te mitigeren, filtert de methode de feature space.

• Mechanisme: Het berekent de variantie van elke feature dimensie over een set gezonde referentie-afbeeldingen.
• Selectie: Het behoudt alleen de dimensies met de laagste variantie (specifiek het onderste 50ste percentiel, $p=50$).
• Rationale: Dimensies met een lage variantie leggen invariante structurele eigenschappen van gezond weefsel vast, terwijl dimensies met een hoge variantie vaak domeinspecifieke texturen coderen (bijv. specifieke bladvormen of lichtomstandigheden) die zorgen voor fout-positieven tijdens cross-domein transfer. Dit fungeert als een manifold regularisatiemechanisme.

3. Dual-Path Anomaly Scoring

Het framework maakt gebruik van twee complementaire scoringmechanismen om afwijkingen van de gezonde referentieverdeling te detecteren:

• Geometrische Anomaly Score:

  • Berekent de gemiddelde cosinusafstand tussen een test-patch en zijn $K$ dichtstbijzijnde buren ($K=30$) binnen de stabiliteit-geselecteerde subspace.
  • De afbeelding-level score is het 90ste percentiel van deze patch-level afwijkingen.
  • Beperking: Hoewel effectief in gealigneerde domeinen, is deze metriek gevoelig voor domein-shifts en kan het hoge fout-positieve ratio's opleveren wanneer het doel-domein structureel geïsoleerd is.

• Topologische Anomaly Score:

  • Maakt gebruik van 0-dimensionale persistente homologie op lokale buurten van gezonde patches.
  • Het construeert een Vietoris-Rips filtratie voor een test-patch en zijn buren, en vergelijkt de resulterende persistentie diagrammen ($PD$) met die van de gezonde referentie.
  • De score meet de verandering in de maximale "death" tijd (het samensmelten van verbonden componenten) en de gemiddelde levensduur van 0-dimensionale features.
  • Voordeel: Gebaseerd op de stabiliteitstelling van persistente homologie, is deze score robuust tegen kleine input-perturbaties en vangt het subtiele structurele afwijkingen (micro-textuur mutaties) op die geometrische afstanden vaak missen.

4. Heatmap Generatie

Patch-level afwijkingen worden gehervormd, geupsampled via bicubische interpolatie en gesmoothd om een anomalie-heatmap voor lokalisatie te genereren.

Belangrijkste Bijdragen

1. Stabiele Feature Dimensionaliteitsselectie: Een nieuwe methode om DINOv2 features te filteren door lage-variantie dimensies te behouden, wat effectief domeinspecifieke ruis onderdrukt terwijl ziekte-geïnduceerde perturbaties worden versterkt.
2. Dual-Path Scoring Mechanisme: De integratie van geometrische KNN-afstand met lokale persistente homologie, wat een topologisch perspectief biedt dat geometrische metrieken complementeert, met name in gedegenereerde cross-domein scenario's.
3. Omvattende Cross-Domain Benchmark: Een systematische evaluatie op de PlantVillage dataset met meer dan 3.100+ afbeeldingen over 40 bron–doel paren (5 bron-domeinen $\times$ 8 doel-soorten), wat een kwantitatieve kaart vormt van de zero-shot prestaties.
4. Open-Source Release: Publieke beschikbaarheid van de volledige broncode, baseline vergelijkingen en een interactief web-gebaseerd demonstratiesysteem.

Experimentele Resultaten

Het framework werd geëvalueerd tegen vijf klassieke anomaliedetectie baselines (Mahalanobis, Cosine KNN, Isolation Forest, One-Class SVM, LOF) en gevalideerd over meerdere backbones (DINOv2, CLIP, ResNet-50).

• Prestaties in Gealigneerde Domeinen: TopoLeaf bereikt bijna perfecte detectie in goed gealigneerde domeinen. Bijvoorbeeld: het detecteren van Strawberry anomalieën met Apple als bron levert een AUROC van 0.994 op.
• Cross-Domain Generalisatie: De gemiddelde AUROC over alle 40 combinaties is 0.658, wat aanzienlijk beter is dan de klassieke baselines die rond of zelfs onder de random guessing baseline (0.5) schommelen.
• Omgaan met Structurele Isolatie (De "Corn" Case):
  • Het paper identificeert een fundamentele beperking waarbij het "Corn" domein structureel geïsoleerd is in de DINOv2 feature manifold.
  • In de Corn $\to$ Apple transfer daalt de geometrische score naar 0.221 (slechter dan random), waarbij gezonde Corn samples hoger scoren dan zieke exemplaren (een inversie).
  • Echter, de topologische score vertoont structurele complementariteit en behaalt een 0.542 AUROC in deze zelfde moeilijke combinatie, wat bewijst dat het in staat is een signaal te leveren wanneer geometrische metrieken volledig falen.
• Ablatie Studies: Het verwijderen van de stabiliteits-gebaseerde dimensionaliteitsselectie vermindert de cross-domein prestaties, wat bevestigt dat het filteren van hoge-variantie dimensies cruciaal is voor generalisatie.

Betekenis en Claims

Het paper positioneert TopoLeaf als een stap naar adaptieve, zelforganiserende perceptielagen voor closed-loop agrarische systemen. De betekenis ligt in:

1. Zero-Shot Inzetbaarheid: Het maakt directe implementatie mogelijk op nieuwe gewassen zonder de wekenlange trainingcycli die vereist zijn door gesuperviseerde methoden, wat aansluit bij het cybernetische principe van requisite variety.
2. Graceful Degradation (Geleidelijke Degradatie): In tegenstelling tot systemen die catastrofaal falen onder domein-shifts, vertoont TopoLeaf "graceful degradation". Zelfs wanneer geometrische scoring faalt (zoals in de Corn case), behoudt het topologische pad gedeeltelijke functionaliteit, een kenmerk van robuuste cybernetische systemen.
3. Modality-Agnostic Robustheid: Door te vertrouwen op topologische invarianten in plaats van tekst-beeld alignment (in tegen tegenstelling tot WinCLIP of AnomalyDINO), biedt de methode een wiskundig gefundeerd alternatief voor gespecialiseerde domeinen waar tekstuele beschrijvingen van micro-textuur mutaties schaars of ambigu zijn.

De auteurs erkennen beperkingen, zoals het feit dat de topologische score ruiziger is dan de geometrische score in goed gealigneerde domeinen, en dat veldimplementatie (buiten gecontroleerde PlantVillage beeldvorming) nog niet getest is. Zij stellen toekomstig werk voor op 1-dimensionale homologie voor aderstructuren en geleerde adaptieve fusiemechanismen.