Come può una rete “bidirezionale” distinguere gli uccelli più simili?

Immagina di dover riconoscere una specie di uccello solo osservando poche foto. È il problema della "few‑shot fine‑grained image classification", dove le categorie sono quasi identiche e i dati scarseggiano. I metodi tradizionali ricostruiscono le immagini in una sola direzione: migliorano le differenze tra classi, ma non riescono a ridurre le variazioni interne a una stessa classe. Altri approcci bidirezionali, invece, limitano le differenze interne ma introducono rumore di sfondo.

Il nuovo studio propone una soluzione ibrida: la Bidirectional Feature Reconstruction Network. Al suo interno c’è il Feature Enhancement Attention Module (FEAM), che mette in evidenza le parti più distintive dell’immagine – ad esempio il becco o il piumaggio – e spegne il rumore di sfondo. Accanto a questo, il Channel‑Aware Spatial Attention (CASA) rafforza i dettagli locali, compensando la tendenza dei Transformer a concentrarsi troppo sul quadro globale.

Grazie a questa combinazione, la rete riesce a separare meglio le classi (inter‑class separability) e a ridurre le variazioni interne (intra‑class variation). I test su dataset famosi come CUB‑200‑2011 (uccelli), Stanford Cars e Stanford Dogs mostrano risultati migliori rispetto ai metodi più avanzati finora. In pratica, la rete impara a guardare dove conta davvero, senza farsi distrarre da sfondi o dettagli irrilevanti, aprendo la strada a sistemi di riconoscimento più precisi anche con pochi esempi a disposizione.

La rete proposta si basa su un'architettura di ricostruzione bidirezionale, in cui il flusso di informazioni avviene sia dal dominio immagine‑feature sia dal dominio feature‑immagine. Il Feature Enhancement Attention Module (FEAM) utilizza una combinazione di mappe di attenzione spaziale e canale per pesare le attivazioni in base alla loro rilevanza discriminativa. In pratica, il modulo calcola una mappa di attenzione A_s = σ(Conv(F)) dove F è il tensore di feature estratte da un backbone (es. ResNet‑50) e σ è la funzione sigmoid. Questa mappa enfatizza regioni con alto gradiente di informazione, tipicamente corrispondenti a parti anatomiche distintive (becco, ali, pattern del mantello).

Il Channel‑Aware Spatial Attention (CASA) aggiunge un livello di consapevolezza canale, calcolando una statistica di pooling globale per ogni canale, seguita da una trasformazione lineare che genera un vettore di peso w_c. Il prodotto w_c·F modula le feature in modo da privilegiare canali che codificano informazioni locali, contrastando la tendenza dei Transformer a sovrastimare il contesto globale.

Durante la fase di addestramento, la rete ottimizza una loss combinata L = L_cls + λ(L_rec_fwd + L_rec_bwd), dove L_cls è la cross‑entropy per la classificazione, mentre L_rec_fwd e L_rec_bwd sono le perdite di ricostruzione forward e backward, rispettivamente. Il coefficiente λ bilancia l'importanza della ricostruzione rispetto alla classificazione.

I risultati sperimentali mostrano un aumento medio del 3‑5% in termini di accuracy top‑1 rispetto ai metodi SOTA su CUB‑200‑2011, Stanford Cars e Stanford Dogs. L'analisi ablation evidenzia che rimuovere il FEAM riduce la separabilità inter‑classe del 2,8%, mentre l'assenza del CASA incrementa la varianza intra‑classe del 3,1%. Questi dati confermano che l'integrazione di attenzione sia spaziale che canale è cruciale per gestire la fine‑grained classification in scenari few‑shot, dove la capacità di isolare segnali deboli è determinante.