FOCUS: Bridging Fine-Grained Recognition and Open-World Discovery across Domains

1. Definição do Problema: FG-DG-GCD

O artigo introduz e formaliza um novo desafio de aprendizado de máquina chamado Descoberta de Categoria Generalizada de Domínio Generalizado de Alta Granularidade (FG-DG-GCD). Este problema une três tarefas complexas que, anteriormente, eram tratadas separadamente ou em contextos menos restritivos:

1. Reconhecimento de Alta Granularidade (Fine-Grained - FG): Diferenciar classes visualmente muito similares (ex: espécies de pássaros, modelos de carros), onde as diferenças são sutis e localizadas (partes do objeto), e a variação intra-classe é alta.
2. Generalização de Domínio (Domain Generalization - DG): O modelo é treinado apenas em um domínio de origem rotulado (ex: fotos reais) e deve funcionar em domínios de alvo não vistos e com distribuição diferente (ex: desenhos ou pinturas), sem acesso a dados do alvo durante o treinamento.
3. Descoberta de Categoria Generalizada (Generalized Category Discovery - GCD): O modelo deve não apenas reconhecer as classes conhecidas do domínio de origem, mas também descobrir e agrupar novas classes não vistas no domínio de alvo.

O Desafio Central: Em cenários de alta granularidade sob mudança de domínio, as pistas visuais superficiais (cor, textura) mudam drasticamente, enquanto as pistas geométricas estruturais permanecem estáveis. Métodos existentes falham porque:

• Métodos de GCD padrão assumem distribuição idêntica entre origem e destino.
• Métodos de DG de alta granularidade são fechados (não descobrem novas classes).
• Métodos de descoberta de categorias de alta granularidade não lidam com mudança de domínio.
• Métodos de DG-GCD existentes (para categorias grosseiras) perdem a precisão local necessária para distinguir classes finas e frequentemente dependem de síntese de dados cara ou treinamento episódico.

2. Metodologia: O Framework FOCUS

Os autores propõem o FOCUS (Fine-grained Open-world Category discovery with Uncertainty and partS), um framework unificado, de estágio único, que não depende de síntese de dados (synthetic-free) nem de treinamento episódico. Ele consiste em dois módulos principais:

A. Descoberta de Partes Consistentes com Domínio (DCPD)

O objetivo é extrair representações que sejam estáveis geometricamente, ignorando variações de estilo (textura, cor).

• Priors de Auto-Atenção: Utiliza um ViT pré-treinado (DINO) para extrair mapas de atenção. Em vez de usar todas as atenções, o método aplica um limiar para selecionar apenas as regiões de alta energia estrutural (bordas, contornos), criando um "mapa de prioridade geométrica".
• Consultas de Partes Condicionadas à Imagem: Diferente de métodos anteriores que usam consultas globais estáticas (que tendem a aprender viés de textura da fonte), o FOCUS gera consultas de partes dinamicamente condicionadas à estrutura geométrica específica de cada imagem.
• Atribuição Diferenciável: Usa um relaxamento Gumbel-Softmax para atribuir patches da imagem a partes descobertas de forma exclusiva e diferenciável, evitando "sangramento" de características.
• Fusão Parte-Global: Combina as características das partes descobertas com o token global [CLS]. Isso garante que o modelo mantenha o contexto semântico global enquanto se ancora em detalhes estruturais invariantes.

B. Augmentação de Características Consciente de Incerteza (UFA)

O objetivo é regularizar o espaço de características para evitar que amostras de novas classes sejam erroneamente absorvidas por classes conhecidas (colapso de representação) e melhorar a calibração em espaços abertos.

• Estatísticas de Classe (EMA): Mantém estimativas de média e covariância das classes conhecidas usando Média Móvel Exponencial (EMA).
• Amostragem Probabilística de OOD (Out-of-Distribution): Gera amostras sintéticas diretamente no espaço de características (não na imagem) para cobrir três regiões de incerteza:
  1. Variação de Cauda (Near-OOD): Amostragem expandida ao redor das classes conhecidas para simular casos limítrofes.
  2. Mistura de Ambiguidade Entre Classes (Structured OOD): Mistura convexa de centróides de classes para preencher zonas de transição.
  3. Amostragem Longe-Away (Far-OOD): Vetores aleatórios normalizados para representar regiões totalmente desconhecidas.
• Regularização: Aplica perda de energia (Energy-Based Outlier Exposure) e maximização de entropia nas amostras sintéticas. Isso força o classificador a ter baixa confiança (alta entropia) em regiões de incerteza, criando limites de decisão mais calibrados.

3. Contribuições Principais

1. Novo Formulário de Problema (FG-DG-GCD): Definição formal do primeiro cenário que exige simultaneamente discriminação fina, generalização de domínio e descoberta de novas classes sem acesso ao alvo.
2. Novos Benchmarks: Criação dos primeiros benchmarks para FG-DG-GCD. Os autores utilizaram um pipeline controlado com SDXL (Stable Diffusion XL) + T2I-Adapter para gerar domínios de "Pintura" e "Esboço" a partir de datasets reais (CUB-200-2011, Stanford Cars, FGVC-Aircraft).
   • Inovação: O processo preserva a identidade semântica e a geometria do objeto enquanto altera drasticamente a textura e o estilo, garantindo que a mudança de domínio seja realista sem corromper a identidade da classe.
3. Framework FOCUS: Uma arquitetura unificada que supera os métodos existentes sem depender de síntese de dados pesada ou treinamento episódico, sendo computacionalmente mais eficiente (3x a 300x mais leve que o estado da arte).

4. Resultados Experimentais

O FOCUS foi avaliado nos benchmarks propostos e em benchmarks de categorias grosseiras (PACS, Office-Home, DomainNet).

• Desempenho em Alta Granularidade (FG-DG-GCD):

  • O FOCUS superou os baselines mais fortes de GCD, FG-GCD e DG-GCD.
  • Ganho médio de 3,28% sobre GCD, 9,68% sobre FG-GCD e 2,07% sobre DG-GCD em precisão de agrupamento (clustering accuracy).
  • No benchmark Stanford Cars-MD, alcançou 43,36% de precisão "All", superando o próximo melhor método em +1,17%.
  • Demonstrou superioridade na descoberta de novas classes (New Accuracy), evitando o colapso de novas categorias em classes conhecidas.

• Eficiência Computacional:

  • O método é significativamente mais eficiente, utilizando 3x a 6x menos FLOPs que métodos como HIDISC e cerca de 300x menos que DG2CD-Net, pois não requer geração de imagens sintéticas durante o treinamento nem reprodutibilidade episódica complexa.

• Generalização em Categorias Grosseiras:

  • Mesmo não sendo otimizado especificamente para isso, o FOCUS obteve desempenho competitivo e líder em benchmarks de DG-GCD grosseiros (PACS, Office-Home), muitas vezes superando métodos que usam 6 a 9 domínios sintéticos, usando apenas 2 ou nenhum domínio sintético.

• Análise Qualitativa:

  • Visualizações t-SNE mostram que o FOCUS produz clusters mais compactos e separados semanticamente em comparação com métodos que produzem clusters espalhados ou sobrepostos.
  • A análise de atenção cruzada confirma que o DCPD mantém a consistência geométrica (baixa divergência KL) entre domínios reais, pinturas e esboços, ao contrário de métodos anteriores que perdem a localização das partes.

5. Significância e Impacto

Este trabalho é fundamental para o avanço da visão computacional em direção a cenários do mundo real:

• Aplicações Práticas: É crucial para áreas como monitoramento de biodiversidade (identificar novas espécies em diferentes estações ou estilos de fotografia), inspeção industrial e vigilância, onde o sistema deve operar em ambientes não vistos e descobrir novas categorias de falhas ou objetos.
• Mudança de Paradigma: Demonstra que a preservação de pistas geométricas (estrutura) é mais robusta para generalização de domínio do que a dependência de pistas de aparência (textura/cor), especialmente em tarefas de alta granularidade.
• Eficiência: Ao eliminar a necessidade de síntese de dados massiva e treinamento episódico, o FOCUS torna a descoberta de categorias em cenários abertos mais acessível e escalável para aplicações reais.

Em resumo, o FOCUS estabelece um novo estado da arte ao unificar a robustez geométrica necessária para a alta granularidade com a calibração de incerteza necessária para a descoberta de novas classes em ambientes de domínio não vistos.