Resumo Técnico: Aumento de Difusão Consistente com Anotação para Segmentação de Instância de Pragas em Cenários de Escassez de Dados

1. Definição do Problema

No Manejo Integrado de Pragas (MIP), as armadilhas adesivas são uma ferramenta padrão para o monitoramento de populações de insetos. A automação deste processo via aprendizado profundo progrediu da classificação de imagens para a segmentação de instância, que fornece dados críticos de nível de pixel sobre a composição de espécies, contagens individuais e morfologia. No entanto, treinar modelos robustos de segmentação de instância enfrenta um gargalo significativo: a escassez de dados anotados com polígonos para espécies de pragas raras.

Embora transformações geométricas e métodos de copy-paste ofereçam algum aumento, eles falham em sintetizar variações morfológicas genuinamente novas (ex: deformação induzida pela dessecação, distorção postural) inerentes às imagens de armadilhas adesivas. Além disso, abordagens generativas existentes, como GANs ou modelos de difusão de uso geral, enfrentam dois desafios específicos neste domínio:

1. Consistência de Anotação: A segmentação de instância exige um alinhamento espacial estrito entre os objetos gerados e suas máscaras de polígono. Mesmo pequenos deslocamentos de borda invalidam as etiquetas existentes, necessitando de uma rotulagem custosa.
2. Adaptação de Domínio: Modelos genéricos carecem dos priors visuais necessários para gerar espécimes realistas de armadilhas adesivas (ex: insetos achatados contra superfícies adesivas) sem ajuste fino específico do domínio.

2. Metodologia

Os autores propõem um framework de aumento de dados baseado em difusão e específico para o domínio, projetado para gerar imagens de treinamento sintéticas que sejam consistentes com a anotação sem exigir rotulagem manual adicional. O pipeline consiste em quatro componentes integrados:

2.1. Extração de Prior Visual Guiada por Polígono

Diferente de trabalhos anteriores que utilizam detectores de borda genéricos (ex: HED, Canny), este método utiliza diretamente os polígonos de segmentação de verdade fundamental (ground-truth) como priors estruturais.

• Construção: Os contornos dos polígonos de verdade fundamental são renderizados como contornos brancos sobre a imagem para servir como guia estrutural.
• Replicação Espacial: Para aumentar a diversidade, esses contornos de polígono são replicados em posições e orientações aleatórias dentro da imagem. Uma verificação de validade garante que não haja sobreposição com instâncias existentes e que permaneçam dentro dos limites da imagem.
• Diferenciação: Crucialmente, apenas os priors estruturais (polígonos) são replicados; a aparência visual da praga não é copiada. Isso distingue o método do aumento convencional por copy-paste.

2.2. Geração de Máscara de Inpainting

Uma máscara de inpainting é derivada das anotações de polígonos originais e replicadas.

• A máscara define regiões para regeneração (instâncias de pragas e uma margem circundante) e regiões para preservação (o fundo da armadilha adesiva).
• A dilatação morfológica (kernel 7×7, 4 iterações) é aplicada às máscaras de polígono para criar uma margem de proteção, garantindo que o modelo de difusão regenere a praga e seu contexto imediato enquanto preserva a textura do fundo adesivo.

2.3. Modelo de Difusão Controlável

O processo de geração utiliza um modelo de difusão guiado por ControlNet (baseado em Qwen-Image-2512) para sintetizar novas aparências de pragas.

• Condicionamento: O modelo recebe o prior visual replicado (guia estrutural) e a máscara de inpainting (restrições espaciais).
• Adaptação Específica de Classe: Para reduzir o hiato de domínio entre modelos de difusão gerais e imagens de armadilhas adesivas, adaptadores LoRA (Low-Rank Adaptation) específicos de classe são ajustados para cada espécie de praga alvo. Esses adaptadores são injetados no codificador e nas camadas intermediárias da rede durante a geração.
• Engenharia de Prompt: Os prompts de texto incluem descrições morfológicas específicas da espécie, contexto de armadilha adesiva (superfície adesiva amarela) e atributos de qualidade de imagem, juntamente com negative prompts para suprimir saídas irreais.

2.4. Pós-Filtragem Auto-Informada

Para garantir a qualidade das amostras geradas sem modelos externos, os autores introduzem uma estratégia de filtragem auto-informada baseada em um modelo de segmentação de linha de base ($M_{base}$) treinado no conjunto de dados original.

• Extração de Características: O backbone de $M_{base}$ extrai vetores de características de instâncias reais de pragas para criar protótipos de referência por classe.
• Similaridade de Cosseno: Para cada instância gerada, um vetor de características é extraído e comparado ao protótipo da classe real correspondente usando similaridade de cosseno.
• Lógica de Filtragem:
  • Nível de Anotação: Instâncias com pontuações de similaridade abaixo de um limiar ($\tau = 0.3$) são descartadas, permitindo a remoção de gerações falhas dentro de uma única imagem sem descartar a imagem inteira.
  • Nível de Imagem: As imagens são classificadas pela média de similaridade de suas anotações válidas restantes, e uma fração superior ($\gamma$) é retida para treinamento.

3. Principais Contribuições

O artigo delineia três contribuições primárias:

1. Um Framework Específico de Domínio: Um pipeline unificado para segmentação de instância de armadilhas adesivas que gera dados sintéticos consistentes com a anotação usando inpainting de ControlNet guiado por polígonos, replicação espacial e adaptação LoRA específica de classe.
2. Filtragem Auto-Informada: Um mecanismo de pós-filtragem inovador que utiliza o espaço de características de um modelo de linha de base treinado para a tarefa para selecionar automaticamente amostras sintéticas de alta qualidade, eliminando a necessidade de modelos de filtragem externos ou inspeção manual.
3. Validação de Arquitetura Cruzada: Validação abrangente em cinco arquiteturas distintas de segmentação (YOLOv8, YOLOv11, YOLOv26, Mask R-CNN e Mask2Former), demonstrando ganhos de desempenho consistentes para espécies sub-representadas.

4. Resultados Experimentais

O framework foi avaliado em um conjunto de dados do AI Hub (Coreia do Sul) focando em duas espécies raras: Ricania sublimata e Metcalfa pruinosa. Os dados foram divididos por localização de estufa para testar a generalização para ambientes não vistos.

• Consistência de Anotação: Uma avaliação baseada em modelo confirmou que 87,2% das anotações de polígono reutilizadas eram espacialmente consistentes com as instâncias de pragas geradas (mIoU > 0,72), validando a confiabilidade das etiquetas geradas.
• Ganhos de Desempenho:
  • Em todas as cinco arquiteturas, o método proposto aumentou o mAP50 de 77,1% para 87,5% e o mAP50-95 de 63,2% para 65,5%.
  • A razão de filtragem ideal ao nível da imagem foi encontrada como $\gamma = 0,7$, equilibrando diversidade e qualidade de dados.
  • O método superou estratégias de aumento convencionais (CutMix, MixUp, Copy-Paste), que mostraram efeitos inconsistentes ou negativos para pragas raras, particularmente quando a escassez de dados era severa.
• Sensibilidade à Arquitetura: Embora as melhorias tenham sido consistentes entre os modelos, as arquiteturas com módulos de predição de máscara mais expressivos (ex: Mask R-CNN, Mask2Former) mostraram os maiores ganhos em métricas de localização estrita (mAP50-95).

5. Significância e Alegações

Os autores alegam que este trabalho aborda um paradoxo crítico no monitoramento agrícola: as espécies de pragas raras são frequentemente as mais importantes para o alerta precoce, mas sofrem do menor desempenho do modelo devido à escassez de dados.

• Preenchendo a Lacuna de Anotação: O estudo demonstra que o aumento por difusão guiado por polígonos pode expandir efetivamente os conjuntos de dados de treinamento para espécies sub-representadas sem o custo proibitivo de anotação manual adicional de polígonos.
• Controle de Qualidade Alinhado à Tarefa: Ao utilizar um filtro "auto-informado" baseado no espaço de características da tarefa alvo, o método garante que os dados sintéticos não sejam apenas visualmente plausíveis, mas funcionalmente úteis para a tarefa específica de segmentação.
• Implantação Prática: A divisão de treino-teste baseada em localização valida o potencial do método para implantação em campo, onde variações ambientais (iluminação, contaminação de fundo) são comuns.

O artigo conclui que, embora a validação atual seja limitada a conjuntos de dados específicos de armadilhas adesivas e espécies, o framework proposto fornece uma base metodológica para aplicações mais amplas em tarefas de segmentação específicas de domínio onde dados anotados são inerentemente escassos.