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

Título: Desviando Confusões de Fixação Central para Revelar um "Ponto Ideal" Periférico em Scanpaths Humanoides na Visão de Atenção Rígida

1. O Problema

A avaliação de modelos de atenção rígida (hard-attention) em visão computacional frequentemente depende da comparação entre as trajetórias de olhar (scanpaths) do modelo e as de humanos. No entanto, o artigo identifica um viés crítico: a fixação central (center bias).

• O Viés: Em conjuntos de dados centrados em objetos (como CIFAR-10), os humanos tendem a fixar o olhar no centro da imagem devido a fatores como enquadramento experimental e expectativas aprendidas.
• A Consequência: Métricas padrão de similaridade de scanpath (como DTW, ScanMatch, NSS e AUC) são fortemente influenciadas por essa distribuição espacial marginal. Estratégias triviais que apenas fixam o centro repetidamente podem obter pontuações de similaridade surpreendentemente altas, mascarando a falta de alinhamento comportamental real ou estrutura temporal significativa.
• A Lacuna: Não há correção explícita para essa chance ou linha de base espacial forte na maioria das avaliações de percepção ativa, tornando as métricas padrão excessivamente otimistas e incapazes de distinguir entre alinhamento cognitivo genuíno e mera tendência central.

2. Metodologia

A. Dados e Modelo

• Dataset: Utilização do Gaze-CIFAR-10, um conjunto de dados anotado com fixações humanas durante a tarefa de reconhecimento de imagens CIFAR-10.
• Modelo: Um agente de visão recorrente de atenção rígida baseado no MRAM (Multi-Level Recurrent Attention Model).
  • O agente opera em um ciclo percepção-ação: fixa um local, recebe uma amostra sensorial limitada ("glimpse"), atualiza seu estado interno e decide para onde olhar a seguir.
  • O modelo possui dois níveis recorrentes: um estado de baixo nível para controle sensorimotor (onde olhar) e um estado de alto nível para acumulação de evidências (o que é).
  • Treinado via algoritmo REINFORCE (Aprendizado por Reforço) para classificação, onde o sucesso na classificação reforça as estratégias de amostragem.

B. Configurações Sensoriais e Hiperparâmetros

Os autores testam como as restrições sensoriais afetam o comportamento, variando o tamanho do patch foveal e o contexto periférico:

1. fov_only: Apenas patch foveal (alta resolução, campo de visão estreito).
2. fov+per: Patch foveal + contexto periférico de baixa resolução (campo de visão moderado).
3. big_per: Contexto periférico dominante (campo de visão muito amplo).

• O tamanho do patch foveal foi variado de 2 a 32 pixels para simular diferentes condições de acuidade visual.

C. Novas Métricas de Avaliação

Para corrigir o viés, os autores propõem o GCS (Gaze Consistency Score):

1. Normalização: As métricas padrão são normalizadas usando um limite superior (humano vs. humano) e um limite inferior (política de canto).
2. Desviamento (Debiasing): Subtrai-se explicitamente a pontuação de uma linha de base de fixação central (sempre olhar para o centro).
3. Similaridade de Movimento: Adiciona-se um termo que penaliza políticas que coincidem espacialmente no centro, mas falham em replicar as estatísticas temporais de movimento (ex: amplitude de sacadas, entropia de direção, cobertura espacial).
   • Fórmula simplificada: GCS = (Métricas Normalizadas - Base Central) + λ * Similaridade de Movimento.

3. Contribuições Principais

1. Quantificação do Viés Central: Evidência empírica de que no Gaze-CIFAR-10, uma política trivial de fixação central atinge pontuações de similaridade de scanpath comparáveis a políticas aprendidas complexas sob métricas padrão (DTW, AUC, etc.).
2. Métrica GCS: Introdução de uma métrica composta, desviada do centro e consciente do movimento, que isola o alinhamento comportamental genuíno do viés de dataset.
3. Descoberta do "Ponto Ideal" Periférico (Peripheral Sweet Spot): Revelação de que apenas um regime restrito de restrições sensoriais (tamanhos de patch intermediários com contexto periférico moderado) produz scanpaths que superam a linha de base central e exibem dinâmicas de movimento humanóides.

4. Resultados Chave

• Ilusão das Métricas Padrão: As métricas brutas (DTW, ScanMatch, AUC) mostram que muitas políticas aprendidas parecem "humanas", mas na verdade estão apenas explorando o viés central do dataset.
• O Ponto Ideal (Sweet Spot):
  • Ao usar o GCS, os autores identificam que a configuração fov+per com tamanho de patch 8 oferece o melhor alinhamento global (GCS = 0.0291).
  • Configurações com campo de visão muito amplo (big_per) levam a um "regime de atalho" (shortcut regime): o agente não precisa se mover muito para classificar, resultando em scanpaths pouco humanos (baixa exploração).
  • Configurações com visão muito restrita forçam exploração excessiva, mas sem ganho proporcional de evidência.
• Trade-off Desempenho vs. Alinhamento: A configuração que maximiza a acurácia (fov_only, patch 8, 65.31%) tem um GCS muito baixo (0.0060). Isso demonstra que maximizar a precisão da tarefa não garante que o modelo esteja aprendendo a estratégia de olhar como um humano.
• Análise de Movimento: No "ponto ideal", as estatísticas de movimento do modelo (ex: distância média ao centro, entropia de direção) são mais próximas das humanas do que em regimes que exploram o viés central, embora o modelo ainda explore menos que os humanos.

5. Significado e Implicações

• Reavaliação de Benchmarks: O trabalho alerta que conjuntos de dados centrados em objetos tornam a avaliação de scanpaths enganosa. Métricas padrão podem validar modelos que apenas "olham para o meio".
• Design de Benchmarks Futuros: Recomenda-se o reporte obrigatório de linhas de base (centro e canto) e o uso de métricas desviadas (como GCS) para reivindicações de "humanidade" em modelos de visão ativa.
• Modelagem Cognitiva: Sugere que a similaridade humana em scanpaths não é apenas uma questão de arquitetura, mas emerge de um equilíbrio específico entre restrições sensoriais (acuidade vs. campo de visão) e a necessidade de exploração ativa.
• Previsão Mecanística: A hipótese é que, se a geometria de visualização humana for manipulada (ex: distância de visualização), os scanpaths humanos devem mudar sistematicamente, espelhando os diferentes regimes encontrados no modelo (do "atalho" à "exploração excessiva").

Conclusão

O artigo demonstra que a afirmação de "scanpaths humanóides" requer calibração rigorosa contra linhas de base triviais. A verdadeira similaridade comportamental em agentes de atenção rígida emerge apenas sob restrições sensoriais intermediárias, onde o agente é forçado a equilibrar a coleta de evidências ativas com a eficiência, evitando tanto a exploração excessiva quanto os atalhos passivos. O GCS é apresentado como uma ferramenta essencial para desvendar essa dinâmica em pesquisas de percepção ativa.