Pikaliov/caption-test
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
3014a5def823e9d6d0d3864c963ca541a03bea7e
caption-test/CLAUDE.md
pikaliov 3014a5def8 Update docs: training improvements (learnable temp, augmentations, warmup) 
Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
2026-04-21 18:08:06 +03:00

18 KiB
Raw Blame History

Caption Quality Test for Cross-View Geo-Localization

Архитектура системы (v3, 2026-04-21) — GTA-UAV эксперимент

QUERY BRANCH (drone + L1/L2/L3 captions):
  drone_img --> DINOv3 ViT-L/16 LVD-1689M (frozen) --> CLS [B,1024]
                        |
                 proj_drone (1024->512)
                        |
  L1 (overview)    --> LRSCLIP (248 tok) --> z_L1 [768] --\
  L2 (full desc)   --> LRSCLIP (248 tok) --> z_L2 [768] ---+-- concat [B,2304]
  L3 (fingerprint) --> LRSCLIP (248 tok) --> z_L3 [768] --/        |
                                                          MLP(2304->768->512)
                                                                   |
                              GatedFusion(drone_512, text_512) --> L2-norm --> query [B,512]

GALLERY BRANCH (satellite only):
  sat_img --> DINOv3 ViT-L/16 SAT-493M (frozen) --> CLS [B,1024]
                      |
               proj_sat (1024->512) --> L2-norm --> gallery [B,512]

LOSS: InfoNCE(query, gallery) — symmetric, asymmetric weights (0.6 q->g, 0.4 g->q)
BASELINE: gate = 1.0 (text ignored)

Trainable parameters: 10.9M из 733M (1.49%)

  • proj_drone: 1024x512 = ~524K
  • proj_sat: 1024x512 = ~524K
  • TextFusionMLP: 2304->768->512 = ~2.2M
  • gate alpha: 1 scalar
  • LRSCLIP partial unfreeze (last block + ln_final + text_projection): ~7.6M
  • Backbones DINOv3 x2 (303M each): frozen

Image input: 256x256

DINOv3 ViT-L/16 с patch_size=16 → 16x16=256 patches на 256x256. Resize(256) + CenterCrop(256) + ImageNet normalization.

Предыдущая архитектура (v2) — UAV-GeoLoc эксперимент

Использовала GeoRSCLIP ViT-B/32 (512-dim) для обеих веток + template captions. Код в src/models/dual_encoder.py, src/datasets/visloc_with_captions.py.

Ключевые файлы

V2 (UAV-GeoLoc, GeoRSCLIP)

Файл Назначение
src/models/dual_encoder.py GeoRSCLIP + GatedFusion + projection heads
src/losses/multi_infonce.py InfoNCE с cosine temperature schedule
src/datasets/visloc_with_captions.py UAV-GeoLoc loader + template captions из path metadata
src/training/train.py Training loop, логирование loss/gate/tau
src/eval/evaluate.py R@K metrics, delta_r_at_1
scripts/compare_runs.py Markdown/JSON сравнение baseline vs caption runs
scripts/generate_captions.py Offline caption generation (template/VLM/hybrid)

V3 (GTA-UAV, DINOv3 + LRSCLIP) — DONE

Файл Назначение
src/models/asymmetric_encoder.py DINOv3ViT + LRSCLIPTextEncoder + TextFusionMLP + AsymmetricEncoder + GatedFusion
src/datasets/gtauav_dataset.py GTA-UAV-LR loader + L1/L2/L3 caption parsing из VLM JSON
src/training/train_gtauav.py Training loop с eval, AMP, CLI args (--baseline, --filter-meta)
scripts/filter_segmentation.py Scan segm masks, output meta JSON (exclude >=90% bg+water)

Backbones (v3)

DINOv3 ViT-L/16 — Drone (web pretrained)

  • Checkpoint: nn_models/DINO_WEB/dinov3-vitl16-pretrain-lvd1689m.pth
  • Arch: ViT-L/16, 24 layers, 16 heads, hidden=1024, MLP=4096, 303M params
  • Input: 256x256, ImageNet normalization, patch=16 → 256 patches
  • Register tokens: 4, RoPE theta=100.0
  • Status: frozen

DINOv3 ViT-L/16 — Satellite (sat pretrained)

  • Checkpoint: nn_models/DINO_SAT/model.safetensors
  • HuggingFace: facebook/dinov3-vitl16-pretrain-sat493m
  • Arch: идентична DINO_WEB (ViT-L/16, hidden=1024, 303M params)
  • Input: 256x256
  • Config: nn_models/DINO_SAT/config.json — BROKEN (auth error), используем конфиг от DINO_WEB
  • Status: frozen

DGTRS-CLIP ViT-L-14 (LRSCLIP) — Text encoder

  • Checkpoint: nn_models/LRSCLIP/DGTRS-CLIP-ViT-L-14.pt
  • Text dim: 768, max tokens: 248 (KPS stretched from CLIP's 77)
  • Содержит: полную CLIP модель (visual + text), используем только text encoder
  • GitHub: github.com/MitsuiChen14/DGTRS
  • Status: partial unfreeze (last block + text_projection)

GeoRSCLIP ViT-B/32 (v2, legacy)

  • Checkpoint: checkpoints/RS5M_ViT-B-32.pt
  • Image encoder: ViT-B/32, 224x224, 512-dim, ~86M params — frozen
  • Text encoder: 77 tokens, 512-dim — partial unfreeze

GatedFusion

  • query = sigma(alpha) * drone_feat + (1 - sigma(alpha)) * text_feat
  • alpha — один learnable scalar в logit-space
  • init_gate = 0.7 → начальный вес image = 70%, text = 30%
  • baseline_mode = True → gate = 1.0, text полностью игнорируется
  • Gate value логируется каждую эпоху для интерпретации вклада текста

Text Hierarchy (L1/L2/L3)

Три уровня описаний из VLM-generated captions:

Уровень Контент Длина Источник
L1 overview Краткое описание сцены <=30 tok Конденсация P1
L2 full description Детальное описание через Qwen3-VL <=200 tok Полный P1+P2
L3 fingerprint Ключевые landmark'ы <=30 tok Конденсация P3

Все три уровня кодируются одним LRSCLIP (248 tok max). Альтернатива (Stage 2): RemoteCLIP для L1/L3 + LRSCLIP для L2.

Датасет: GTA-UAV-LR

  • RGB: /home/servml/Документы/datasets/GTA-UAV-LR/

    • Drone: 33,763 PNG (512x384), altitudes 100-600m
    • Satellite: 14,640 PNG (256x256 RGBA)
    • Pairs: cross-area-drone2sate-{train,test}.json (primary split)
    • Metadata: *_drone_meta.csv (height, yaw, roll, pitch)
    • Origin: GTA V simulation (Los Santos)

  • Captions: /home/servml/Документы/datasets/GTA-UAV-LR-captions/

    • Drone: 33,411 JSON (32,635 multi-paragraph P1/P2/P3 + 776 short water-only)
    • Satellite: 6,546 JSON (все multi-paragraph)
    • Формат: 3 абзаца (P1 Inventory + P2 Spatial + P3 Fingerprint)
    • Token counts: ~430 output tokens per caption

  • Segmentation: /home/servml/Документы/datasets/GTA-UAV-LR-aug/

    • 48,403 images, 17 классов (background, building, road, vegetation, water, ...)
    • Modalities: segm/, depth/, edge/, chm/, safetensors/
    • Query: 512x512, DB: 256x256

Фильтрация сегментации

Meta-файл meta/seg_filter.json: исключение изображений с >=90% background(class 0) + water(class 4).

  • Total: 48,403 → Passed: 37,498 (77.5%) / Excluded: 10,905 (22.5%)
  • Drone: 31,188 passed / 2,575 excluded
  • Satellite: 6,310 passed / 8,330 excluded (преимущественно open water tiles)

Датасет: UAV-GeoLoc (v2, legacy)

  • Путь: /mnt/data1tb/cvgl_datasets/UAV-GeoLoc/
  • Train: 206,108 queries, 94,709 DB crops (140 scenes, Terrain split)
  • Val: 62,368 queries, 26,597 DB crops (40 scenes)
  • Test: 33,472 queries, 11,684 DB crops (20 scenes)
  • Index: Index/train_query.txt — query_path 0 pos_crop1 pos_crop2 ...

Конфигурации

V3 (GTA-UAV)

Параметры:

  • 10 epochs, batch 64, AMP, image 256x256
  • Optimizer: AdamW, per-group LR: proj=1e-4, text=1e-5 (10x lower)
  • Scheduler: linear warmup (2 epochs) + cosine annealing (per-step)
  • Loss: InfoNCE с learnable temperature (CLIP logit_scale), init=0.07, clamp [0.01, 0.5]
  • Augmentations:
    • Drone: RandomResizedCrop(0.7-1.0), HFlip, Rotation(15°), ColorJitter, Grayscale(5%), GaussianBlur
    • Satellite: RandomResizedCrop(0.7-1.0), HFlip, ColorJitter, Grayscale(5%)
    • Eval: Resize+CenterCrop (clean, no augmentation)
  • Train: 15,693 pairs → 13,622 after seg filter (cross-area)
  • Test: 18,015 pairs

V2 (UAV-GeoLoc, gin)

Конфиг Gate init Описание
conf/balanced.gin 0.7 (30% text) Primary test
conf/baseline_no_text.gin 1.0 (no text) Reference baseline
conf/text_heavy.gin 0.3 (70% text) Stress test

Запуск

V3 (GTA-UAV)

# 1. Filter segmentation (exclude 90%+ background/water)
python -m scripts.filter_segmentation --output meta/seg_filter.json

# 2. Baseline (no text)
python -m src.training.train_gtauav --baseline --filter-meta meta/seg_filter.json

# 3. With captions (L1/L2/L3)
python -m src.training.train_gtauav --filter-meta meta/seg_filter.json

# 4. Compare
python -m scripts.compare_runs \
    --baseline_report out/gtauav/baseline/eval_report.json \
    --full_report out/gtauav/with_text/eval_report.json \
    --output out/gtauav/comparison.md

V2 (UAV-GeoLoc)

python -m src.training.train --config conf/baseline_no_text.gin
python -m src.training.train --config conf/balanced.gin
python -m scripts.compare_runs \
    --baseline_report out/caption_test/baseline_no_text/eval_report.json \
    --full_report out/caption_test/balanced/eval_report.json \
    --output out/caption_test/comparison.md

Метрики и Decision rule

Primary metric: Delta R@1 (drone -> satellite)

Delta R@1 Verdict
>= +3% PASS — captions informative, proceed to production
+1% to +3% MARGINAL — add VLM refinement, re-run
0 to +1% WEAK — redesign caption pipeline
< 0 HARMFUL — critical bug

Eval metrics: R@1, R@5, R@10 для drone->satellite и satellite->drone Splits (GTA-UAV): cross-area (primary, harder) и same-area (sanity check) Logged per epoch: loss, temperature (tau), gate value (sigma(alpha)), lr

Бюджет времени (RTX 4090, 24 GB)

V3 (GTA-UAV, DINOv3 ViT-L/16, 256x256)

Фаза Оценка
VRAM: 2x DINOv3-L + LRSCLIP + batch 64 ~18-22 GB
GPU mem (smoke test, batch 4) 3.1 GB
Batch size 64 (default)
Total params 733M (10.9M trainable, 1.49%)

V2 (UAV-GeoLoc, GeoRSCLIP)

Фаза Время
Один training run (10 epochs, 206K queries, batch 128) ~15-30 мин
Full test (3 варианта) ~1-1.5 ч
Evaluation per run ~2-5 мин

Связанные проекты

Text Annotation Pipeline

  • Путь: /home/servml/Документы/pikaliov_obsidian/(Полякова ВЕ_Система для генерации текстовых описаний для БПЛА)/2_work/2_text_annotation/code/
  • VLM: Qwen3-VL-8B AWQ (1.68 s/img)
  • Scoring: SigLIP 2 (drone P3) + CLIP-RSICD (satellite P1+P2)
  • Формат описаний: 3 абзаца (P1 Inventory + P2 Spatial Map + P3 Fingerprint)
  • Метрики: FDR, FNR, NumAcc, LLaVA-Critic C1-C6

UAV-VisLoc Prepare

  • Путь: /home/servml/Документы/code/Yaroslav/UAV-VisLoc-prepare/scripts/prepare_dataset.py
  • Статус: выполнен (2026-04-17), данные в /home/servml/Документы/datasets/UAV_VisLoc_processed/ (25 GB)
  • Задача: нарезка satellite кропов 512x512, stride 256 + resize drone -> 512x512
  • Подробности: см. ниже

Downstream: NADEZHDA Teacher (DINOv3 + Multi-FiLM)

caption-test — первый этап валидации. При Δ R@1 >= +3% переход к полному teacher'у:

Этап 1 (caption-test): GeoRSCLIP + GatedFusion(text) → валидация текста
Этап 2 (teacher):      DINOv3-L + Multi-FiLM(depth, seg, CHM, normals, text)
Этап 3 (distillation): teacher ~300M → student ~5M → Jetson Orin NX

Auxiliary modalities (предвычисляются из 512x512 офлайн)

Модальность Модель Формат для teacher Каналы
Depth DepthAnything V2 continuous, log(1+d) 1
Normals Sobel от depth continuous 3
Segmentation SegFormer-B5 binary per-class masks (top-K) 16-17
Canopy Height Meta HRCH binary bins (1-5m, 5-15m, >15m) + occupancy 4-5
Text Qwen3-VL-8B / MobileCLIP2 embedding -

Асимметрия sat/drone

  • CHM: только satellite (модель обучена на nadir, на oblique drone не работает)
  • Satellite: ~27 aux каналов, Drone: ~21 aux каналов

Fusion: Multi-FiLM

aux_features → FiLM(γ, β) → γ * DINOv3_tokens + β

Binary masks — natural FiLM gates. Modality dropout: text 0.3, CHM 0.5, seg 0.15, depth 0.1.

Планируемый эксперимент H5

Сравнение T_bin (binary masks) vs T_pyr (native feature pyramids) vs T_hybrid. Прогноз: binary masks лучше на cross-domain из-за робастности к aux-model artifacts.

Датасеты (справочник)

UAV-VisLoc

  • Путь: /home/servml/Документы/datasets/UAV_VisLoc_dataset/
  • Структура: 11 маршрутов (папки 01-11), каждая содержит:
    • drone/ — drone-снимки (XX_NNNN.JPG)
    • satelliteXX.tif — спутниковая карта
    • XX.csv — GPS-метаданные drone (num, filename, date, lat, lon, height, Omega, Kappa, Phi1, Phi2)
  • Исключение: маршрут 09 — спутник разбит на 4 тайла (satellite09_01-01.tif и т.д.)
  • Satellite coordinates: satellite_ coordinates_range.csv — bbox каждой карты (LT_lat_map, LT_lon_map, RB_lat_map, RB_lon_map)
  • Splits: visloc_train.csv, visloc_test.csv — списки drone-снимков (TSV, full absolute paths)
  • Размеры: Drone 3976x2652 / 3000x2000 (6774 снимков), Satellite от 3000x170 до 43421x38408
  • GSD спутника: ~0.30 м/px (единый zoom level Google Earth для всех карт). GSD по долготе варьируется 0.23-0.27 м/px из-за косинусного эффекта широты (40°N vs 25°N), но это не разная высота съёмки. Кроп 512x512 покрывает ~154x154 м везде.

UAV-GeoLoc

  • Путь: /mnt/data1tb/cvgl_datasets/UAV-GeoLoc/
  • Подмножества: Country (171 scene), Terrain (200 scenes), Rot (1 scene)
  • Формат пар: positive.json, semi_positive.json, db_postion.txt
  • Index: train_query.txt — query_path label pos_crop1 pos_crop2 ...
  • Drone: синтетика Google Earth Studio 3D, 512x512, FOV 30deg, heights 100/125/150m
  • Satellite: кропы из merge.tif, доминирующий размер 200x200

Скрипт подготовки UAV-VisLoc

  • Путь: /home/servml/Документы/code/Yaroslav/UAV-VisLoc-prepare/scripts/prepare_dataset.py
  • Статус: выполнен (2026-04-17)

Запуск

python scripts/prepare_dataset.py \
    --src /home/servml/Документы/datasets/UAV_VisLoc_dataset \
    --dst /home/servml/Документы/datasets/UAV_VisLoc_processed \
    --crop-size 512 --stride 256 --target-size 512

Pipeline

  1. Resize drone -> 512x512 (JPEG, quality=95)
  2. Stitch satellite tiles для маршрута 09 (4 тайла -> 44800x33280)
  3. Нарезка satellite -> кропы 512x512, stride 256, сохранение без downscale (PNG)
  4. GPS для каждого кропа из bbox карты + позиция в grid
  5. Match drone->crop через vectorized haversine (positive = ближайший, semi-positive = +/-1 в grid)
  6. Metadata: positive.json, semi_positive.json, db_postion.txt (per route)
  7. Index: train_query.txt, test_query.txt, train_db.txt, test_db.txt, all_db.txt

Форматы выходных файлов (совместимость с UAV-GeoLoc)

Файл Формат
positive.json {frame_id: [crop_name]}, ключ = frame ID без route prefix ("0001")
semi_positive.json {frame_id: [crop1, crop2, ...]}, соседи +/-1 в grid
db_postion.txt tab-separated: name\tlon\tlat\tscale_lon\tscale_lat
train_query.txt route/drone/file.JPG 0 route/DB/img/crop1.png ...
train_db.txt / test_db.txt все кропы всех маршрутов (gallery одинаковая, split по query)

Результаты (target-size 512)

  • Drone: 6,744 images 512x512 (без маршрута 07: 30 excluded)
  • Satellite кропов: 74,807 (512x512, без downscale)
  • Размер на диске: 25 GB
  • Median distance drone->crop: 25.9m, P99: 45.7m
  • Память при генерации: до ~8.7 GB RAM (маршрут 09 stitched 44800x33280)
  • Разрешение 512 для downstream задач (сегментация, depth, normals); resize до 256x256 в dataloader

Ревью и исправления (2026-04-17)

  1. train_db.txt/test_db.txt содержали только matched кропы -> теперь все ~74K (полная gallery)
  2. db_position.txt -> db_postion.txt (совместимость с UAV-GeoLoc), добавлены scale_lon/scale_lat, tab-separator
  3. positive.json ключи были filename (01_0001.JPG) -> теперь frame_id (0001)
  4. Semi-positive поиск O(n) -> O(1) через dict lookup по (x,y) grid
  5. Удален мёртвый код (haversine_m, defaultdict import)

Известные ограничения

  • Нет val split (только train/test, как в оригинальном UAV-VisLoc)
  • 6 drone в маршруте 06 (06_0093-06_0098) за пределами спутниковой карты (distance >1000m)
  • Большие спутниковые карты загружаются целиком в RAM при генерации (до 8.7 GB для route 09)
Reference in New Issue View Git Blame Copy Permalink