VAD4Space: Visual Anomaly Detection for Planetary Surface Imagery

1. O Problema

As missões espaciais modernas geram volumes massivos de imagens de alta resolução (órbita lunar e superfície de Marte) que superam a capacidade humana de inspeção manual. A detecção automática de fenômenos raros (como novos crateras, deslizamentos de terra ou minerais expostos) é crucial para a descoberta científica e para o planejamento tático de missões.

No entanto, as abordagens tradicionais de aprendizado supervisionado enfrentam limitações fundamentais neste domínio:

• Escassez de Dados Rotulados: A anotação de dados requer especialistas e é extremamente custosa.
• Fenômenos Raros: Os eventos de maior interesse científico são, por definição, raros, tornando impossível reunir exemplos suficientes para treinar modelos supervisionados.
• Suposição de Mundo Fechado: Modelos supervisionados assumem que todas as categorias relevantes são conhecidas no momento do treinamento, o que impede a descoberta de observações verdadeiramente novas (o "desconhecido").
• Restrições de Recursos: A transmissão de dados entre Marte/Lua e a Terra é limitada por janelas de comunicação e largura de banda, exigindo processamento a bordo (onboard) eficiente.

2. Metodologia

O trabalho investiga a Detecção de Anomalias Visual (VAD) como uma alternativa de "mundo aberto", onde os modelos são treinados exclusivamente em dados "normais" e identificam qualquer desvio dessa distribuição sem necessidade de exemplos anômalos durante o treinamento.

Benchmarks Introduzidos:
Os autores criaram dois novos conjuntos de dados para avaliação:

1. Benchmark Lunar: Derivado das imagens da Lunar Reconnaissance Orbiter Camera (LROC). Contém crateras frescas (com ejecta) e crateras degradadas como anomalias, contra terreno normal.
2. Benchmark de Marte: Derivado das imagens da câmera Mastcam do rover Curiosity. Foca em observações geologicamente novas (meteoritos, veios, furos de perfuração) contra geologia típica.

Protocolos de Avaliação:
Foram testados três cenários para simular condições reais:

1. Conjunto de Teste Balanceado: Comparação direta com trabalhos anteriores.
2. 5% Positivos: Cenário padrão de VAD, onde anomalias são raras (5% dos dados de teste).
3. 5% Positivos com Contaminação: O cenário mais realista e desafiador, onde 5% dos dados de treinamento contêm anomalias (simulando a dificuldade de obter um conjunto de dados perfeitamente limpo em exploração espacial).

Métodos Avaliados:
O estudo focou em métodos baseados em incorporação de características (feature-based) para garantir eficiência computacional em hardware de borda. Todos os modelos utilizaram o backbone leve MobileNetV2 (substituindo o padrão WideResNet50) para reduzir o consumo de memória e computação. Os sete métodos avaliados foram:

• PatchCore, PaDiM, CFA, STFPM, RD4AD, SimpleNet e FastFlow.

3. Principais Contribuições

1. Primeira Avaliação Empírica: Primeira avaliação sistemática de métodos de VAD de última geração em imagens planetárias reais (Luna e Marte).
2. Novos Benchmarks: Introdução de dois conjuntos de dados padronizados para a comunidade de ciência planetária.
3. Protocolo de Avaliação Realista: Inclusão do cenário de "contaminação no treinamento", revelando diferenças críticas na robustez dos modelos que seriam invisíveis em condições ideais.
4. Análise Orientada para a Borda (Edge): Demonstração de que alto desempenho de detecção é alcançável com modelos leves, viabilizando a implantação a bordo de satélites e rovers.

4. Resultados

• Desempenho no Benchmark Lunar: O modelo PaDiM obteve o melhor desempenho, alcançando 73% de precisão (accuracy) no cenário balanceado, comparável à linha de base supervisionada (82% com VGG-11), mas sem uso de rótulos durante o treinamento. Além disso, o PaDiM exige apenas 10,7 MB de armazenamento, contra 507 MB do modelo supervisionado original.
• Desempenho no Benchmark de Marte: O PatchCore superou significativamente as abordagens baseadas em reconstrução (como Autoencoders), atingindo um AUROC de 0,81 (vs. 0,705 do baseline), utilizando apenas 3 canais RGB em vez dos 6 espectrais originais.
• Robustez à Contaminação (Setting 3):
  • No cenário lunar, o PatchCore mostrou-se o mais resiliente à contaminação de dados de treinamento.
  • No cenário de Marte, o PatchCore sofreu uma degradação severa (de 0,80 para 0,40 de AUROC) devido à natureza global das anomalias em Marte, que corrompem o banco de memória do modelo. Outros modelos como PaDiM e RD4AD mantiveram-se mais estáveis neste cenário específico.
• Eficiência Computacional: Todos os métodos baseados em características demonstraram ser leves e rápidos, com tempos de inferência na ordem de milissegundos e uso de memória de pico baixo (1-3 MB), adequados para hardware de bordo.
• Mapas de Anomalia: Os modelos geraram mapas de anomalia em nível de pixel sem necessidade de anotação pixel a pixel, permitindo a localização visual de fenômenos raros (ex: crateras lunares e veios em Marte).

5. Significado e Conclusão

Este trabalho estabelece a VAD baseada em características como uma abordagem viável e superior para a análise planetária automatizada.

• Viabilidade Operacional: Demonstra que é possível detectar fenômenos geológicos inesperados e raros sem depender de grandes conjuntos de dados rotulados, superando o gargalo da anotação manual.
• Otimização de Recursos: A capacidade de rodar modelos leves a bordo permite que sondas e rovers priorizem quais dados enviar à Terra, maximizando o retorno científico dentro das restrições de largura de banda.
• Descoberta Científica: Ao operar sob a premissa de "mundo aberto", a VAD permite a descoberta de processos geológicos não antecipados, algo impossível com modelos supervisionados tradicionais.

O artigo conclui que a VAD oferece um equilíbrio ideal entre desempenho de detecção, eficiência computacional e interpretabilidade, sendo essencial para o futuro da exploração espacial autônoma. Trabalhos futuros visam integrar informações espectrais (além do RGB) e expandir a aplicação para inspeção de componentes de naves espaciais (painéis solares, motores, etc.).