From 01c64b41e42a38e1187f000337ed4e28188493a6 Mon Sep 17 00:00:00 2001 From: Pavlenko_B Date: Tue, 9 Jun 2026 10:55:58 +0300 Subject: [PATCH] chkpnt 09_06_26 --- 2_hypotheses/Гипотезы N1.md | 33 +- 3_work/1_todo.md | 304 ++++++++++++++++++ ...chical Information Decomposition Fusion.md | 0 3 files changed, 320 insertions(+), 17 deletions(-) create mode 100644 3_work/1_todo.md rename 3_work/{ => methods}/Hierarchical Information Decomposition Fusion.md (100%) diff --git a/2_hypotheses/Гипотезы N1.md b/2_hypotheses/Гипотезы N1.md index 108344f..f72df6e 100644 --- a/2_hypotheses/Гипотезы N1.md +++ b/2_hypotheses/Гипотезы N1.md @@ -8,6 +8,22 @@ tags: Разработан метод адаптивной маршрутизации остаточной связи в шлюзовом (Gated) объединении мультимодальных drone- и satellite-признаков для задачи перекрёстной геолокализации БПЛА, основанный на субспейс-нормированной информативности (Subspace-Mahalanobis InfoScore, SM-InfoScore) с per-batch и EMA-обновляемыми статистиками (μ_sub, Σ_sub) в обучаемом L2-нормированном подпространстве признаков, отличающийся от известных методов (GMU [Arevalo, 2017], GRN, TMC, QMF [Zhang, ICML 2023], DEGF-YOLO QGU, Sample4Geo [Deuser, ICCV 2023], FSRA, MobileGeo, CGSI [Sun, IEEE T-CSVT 2025]) тем, что (1) информативность модальности оценивается через Махаланобисово расстояние в обучаемом L2-нормированном подпространстве, а не через энергетическую или эвиденциальную неопределённость; (2) метрика используется не для финального решения, а для динамического переключения коэффициента остаточной связи в Gated-блоке; (3) сопровождается теоретическим SNR-анализом, показывающим деструктивность стандартной residual-связи при низком отношении сигнал/шум модальности, что обеспечивает повышение Recall@1 на University-1652 / SUES-200 / DenseUAV на δ ≥ 1,5 % абс., снижение чувствительности к шумам и отсутствию caption’ов и применимость на edge-устройствах (Jetson Orin) при увеличении числа обучаемых параметров не более чем на 0,5 М. +#### N1_H1. SNR-деструктивность residual + +**(1) Краткая формулировка.** Простая остаточная связь `fused + v_text` снижает R@1 на sat-passthrough относительно baseline без residual. + +**(2) Подробное объяснение.** В пайплайне satellite-ветвь работает в passthrough ($g=s_{\text{img}}$, без текста), эффективный $\mathrm{SNR}\approx 0$ по теореме 1. Identity-residual удваивает шум-компоненту: $\mathrm{Var}\to 4\sigma_n^2$ (теорема 1). Это снижает дискриминативность $\hat q$ для cosine-similarity на отрицательных парах, что напрямую ухудшает R@1. Тест: `baseline (no-residual)` vs `SRGF (always-residual)` на одних и тех же seeds, одной $\tau$, batch size, label smoothing. + +**(3) Формально.** +$$ +H_0:\;\mathbb E[\Delta R@1_{\text{SRGF}-\text{base}}]\ge 0\;\;\text{vs}\;\;H_1:\;\mathbb E[\Delta R@1]<-\delta_1,\;\delta_1=0.5\%. +$$ +Парный t-test по $N=5$ seeds: $t=\bar d/(s_d/\sqrt N)$, df $=N-1$. Принимается $H_1$ при $p<0.05$ и Cohen's $d=|\bar d|/s_d\ge 0.8$ (large). + +**(4) Почему эффективно.** Поддерживают: Balduzzi et al. arXiv:1702.08591 (gradient decay sublinear в skip-conns, but signal carry — нет); Shwartz-Ziv \& Tishby arXiv:1703.00810 (при низком $I(Z;Y)$ residual только наращивает $I(X;Z)$, нарушая IB-оптимум); Router-Gated AVSR arXiv:2508.18734 (2025): «down-weights unreliable audio tokens and reinforces visual cues through gated cross-attention». + +**(5) Отличие.** Highway Networks (arXiv:1505.00387) и TFT-GRN (Lim 2021, IJF 37(4)) добавляют identity-residual *по умолчанию*. SAMFusion (DOI:10.1007/978-3-031-73030-6_27, ECCV 2024) использует attentive blending на BEV-плане без скалярной маршрутизации. Наш вклад — формальная демонстрация условной деструктивности для $\mathrm{SNR}<1$. + #### N1_H2 — Гипотеза эффективности SM-InfoScore. - *Формулировка:* замена статической остаточной связи на адаптивную, управляемую SM-InfoScore, повышает Recall@1 на University-1652 не менее чем на δ ≥ 1,5 % абс. относительно baseline GatedFusion (σ(α)=1.0). - *Обоснование:* Mahalanobis++ (Müller, Hein, ICML 2025, arXiv:2505.18032) — L2-нормализованный Mahalanobis устойчиво различает ID/OOD; geometry-based анализ (arXiv:2510.15202, 2025); subspace-aware Mahalanobis (arXiv:2506.09399, 2025). Перенос в fusion-routing задачи CVGL — оригинальный. @@ -29,21 +45,4 @@ tags: * *Критерий проверки:* sat→drone R@1(SM on, passthrough) ≥ R@1(baseline) − 0,3 %; SM-InfoScore_sat статистически меньше SM-InfoScore_drone (p < 0,01); распределение SM-InfoScore_sat бимодальное. * *Эксперимент:* анализ распределений SM-InfoScore на drone/sat-ветвях на смешанной выборке University-1652 (часть sat с caption, часть без). -### N1_H1. SNR-деструктивность residual - - - -**(1) Краткая формулировка.** Простая остаточная связь `fused + v_text` снижает R@1 на sat-passthrough относительно baseline без residual. - -**(2) Подробное объяснение.** В пайплайне satellite-ветвь работает в passthrough ($g=s_{\text{img}}$, без текста), эффективный $\mathrm{SNR}\approx 0$ по теореме 1. Identity-residual удваивает шум-компоненту: $\mathrm{Var}\to 4\sigma_n^2$ (теорема 1). Это снижает дискриминативность $\hat q$ для cosine-similarity на отрицательных парах, что напрямую ухудшает R@1. Тест: `baseline (no-residual)` vs `SRGF (always-residual)` на одних и тех же seeds, одной $\tau$, batch size, label smoothing. - -**(3) Формально.** -$$ -H_0:\;\mathbb E[\Delta R@1_{\text{SRGF}-\text{base}}]\ge 0\;\;\text{vs}\;\;H_1:\;\mathbb E[\Delta R@1]<-\delta_1,\;\delta_1=0.5\%. -$$ -Парный t-test по $N=5$ seeds: $t=\bar d/(s_d/\sqrt N)$, df $=N-1$. Принимается $H_1$ при $p<0.05$ и Cohen's $d=|\bar d|/s_d\ge 0.8$ (large). - -**(4) Почему эффективно.** Поддерживают: Balduzzi et al. arXiv:1702.08591 (gradient decay sublinear в skip-conns, but signal carry — нет); Shwartz-Ziv \& Tishby arXiv:1703.00810 (при низком $I(Z;Y)$ residual только наращивает $I(X;Z)$, нарушая IB-оптимум); Router-Gated AVSR arXiv:2508.18734 (2025): «down-weights unreliable audio tokens and reinforces visual cues through gated cross-attention». - -**(5) Отличие.** Highway Networks (arXiv:1505.00387) и TFT-GRN (Lim 2021, IJF 37(4)) добавляют identity-residual *по умолчанию*. SAMFusion (DOI:10.1007/978-3-031-73030-6_27, ECCV 2024) использует attentive blending на BEV-плане без скалярной маршрутизации. Наш вклад — формальная демонстрация условной деструктивности для $\mathrm{SNR}<1$. diff --git a/3_work/1_todo.md b/3_work/1_todo.md new file mode 100644 index 0000000..6760f9a --- /dev/null +++ b/3_work/1_todo.md @@ -0,0 +1,304 @@ + +## 0. Главный вердикт + + + +--- + +## 1. Где HID-Fusion уже соответствует SOTA (не трогать) + +|Компонент|Подтверждение в литературе| +|---|---| +|**InfoNCE как ядро L_cvi**|Sample4Geo (98.68% R@1 CVUSA), GeoSSM (96.02%), GeoBridge, GLEAM — все на InfoNCE; Triplet вытеснена| +|**Симметричный Loss (drone↔sat и sat↔drone)**|Sample4Geo, GLEAM — стандартная практика| +|**Ортогональные проекции P_M⊥P_S, Q_desc⊥Q_cvi**|CVD M5/P16, GeoDTR+ — disentanglement через ортогональность подтверждён| +|**CKA-based disentanglement (L_disent)**|Современная замена MINE; O(Bd) дешевле, стабильнее градиент| +|**Дифференциальная bias-инициализация шлюзов (0.4/0.3/0.2)**|WeatherPrompt F14 (zero-init γ,β), WildDet3D F33 — концепция modality injection с малыми инициалами валидна| +|**Curriculum 3 фазы с graceful degradation**|GLEAM two-phase warmup, GeoBridge поэтапное обучение — концепт принят в SOTA| +|**MobileCLIP2-s0 как text encoder с partial unfreeze**|Sweet spot для текста БПЛА; альтернатив с лучшим Pareto нет (см. §6)| +|**Иерархическая декомпозиция в 3 листа**|**Не покрыто литературой:** CVD = 2 фактора, GeoText-1652 = 2 уровня текста (image/region), Aquila VLM6 — 2 уровня. **Это новизна.**| +|**L_hier (реконструкционная когерентность Level-2 → Level-1)**|**Не покрыто литературой.** Новизна.| +|**L_center на основе SM-InfoScore (Mahalanobis к EMA-центрам)**|**Не покрыто в CVGL.** Стандартный L2-center заменён на Mahalanobis — новизна.| + +--- + +## 2. Конкурентные работы 2025–2026 (pre-publication threats) + +| Работа | Год | R@1 (Univ-1652) | Что делает | Угроза | Контрмера | +| --------------------------- | :--: | :--------------------------------: | ----------------------------------------------- | :------------------------------------: | ---------------------------------------------------------------------------------- | +| **CGSI** (P64) | 2025 | 95.45% | DINOv2+BERT+metadata, late fusion HBP | 🔴 Критично — text+metadata fusion | Подчеркнуть **иерархию (3 листа)** + L_cvi на CVI-подпр.; CGSI flat-fusion | +| **GeoBridge** (P58/M10) | 2026 | 94.89% | DINOv2+BERT+meta, semantic anchoring | 🔴 Критично — text как «якорь» | HID не использует text как anchor; явная декомпозиция typов текста (T_meta/L12/L3) | +| **MMGeo** (P50) | 2026 | 94.81% | 5-modal mutable token | 🟠 Среднее — но out of scope (5-modal) | Кандидатская = 2 модальности; MMGeo цитировать как шире-задачный baseline | +| **CVD** (M5/P16) | 2025 | +1–2% поверх baseline | Content/Viewpoint disentanglement (vision-only) | 🟠 Среднее — disentanglement | HID = 3 листа vs CVD = 2; vision+text vs vision-only | +| **(MGS)²** (P44) | 2026 | 97.50% | Depth + multi-scale geometric | 🟢 Не в scope (depth) | Цитировать как upper bound при depth-priors; HID = vision+text only | +| **GeoText-1652** (P57/VLM2) | 2024 | 13.6% T→I | Region-level text + 9-zone | 🟢 Низкая — это benchmark | HID использует его как evaluation set, цитирует как мотивацию для T_L12 | +| **GeoDTR+** (P11) | 2023 | 95.05% (CVUSA) | Geometric disentangle + CHSG aug | 🟢 Низкая — vision-only | CHSG как идея для аугментаций (см. §3) | +| **Sample4Geo** (P10) | 2023 | 98.68% (CVUSA), 92.65% (Univ-1652) | InfoNCE + GPS-DSS sampling | 🟡 Базовый baseline | Использовать GPS-DSS как стратегию sampling в L_cvi | + +**Стратегическая отстройка HID-Fusion:** новизна = **двухуровневая иерархия + 3 типа текста + L_cvi/L_disent/L_hier/L_center как авторские**. CGSI/GeoBridge — это flat fusion, не иерархия. CVD — это 2 фактора, не 3. GeoText-1652 — это benchmark, не архитектура. + +--- + +## 3. Что **добавить** в HID-Fusion (точечные коррекции, ранжированы по приоритету) + +### 🔴 P1 — критические, сделать в S0–S2 + +#### 3.1. CHSG-аугментация (Layout Simulation) для L_cvi + +**Источник:** GeoDTR+ (P11), +7.52% R@1 cross-area на CVUSA. + +**Что:** для каждой пары `(I_drone, I_sat)` создавать 2 layout-shifted варианта спутникового снимка (random translation 0–20%, без вращения). Батч становится `2B` пар. Это даёт «бесплатные» hard negatives внутри батча без mining. + +**Применимо к HID:** работает в Фазе 1 (DISC) и Фазе 2 (full HID), не конфликтует с curriculum. + +**Риск:** дополнительная аугментация — нужно проверить, что текстовые описания (`T_L12`, `T_L3`) не теряют валидности при shift. Решение: применять только к спутнику, текстовые описания при shift сохраняются. + +**Действие:** добавить `LayoutShiftAug` в dataloader S0; включить с эпохи 16 (Фаза 2). + +#### 3.2. Hard-negative mining: GPS-then-DSS вместо in-batch random + +**Источник:** Sample4Geo (P10), +9.46% R@1 от GPS-sampling, +11.71% от DSS, вместе +12.63% на VIGOR. + +**Что:** заменить in-batch negatives для `L_cvi` на двухфазную стратегию: + +- **Фаза 1 (cold start, эпохи 1–15):** GPS-sampling — для каждого якоря брать k=64 негативов из географических соседей (100–500 м, исключая 100-метровую зону «может быть позитив»). +- **Фаза 2 (16+):** DSS — каждые 4 эпохи пересчёт эмбеддингов всего датасета, top-128 ближайших по cosine, батч = `k/2 top + k/2 random` с маской 100 м. + +**Применимо к HID:** не меняет архитектуру, только стратегию формирования батчей в L_cvi. + +**Риск:** DSS — overhead full forward-pass каждые 4 эпохи. Для GeoText-1652 (~1652 здания × несколько ракурсов) это терпимо, для World-UAV (~927K) — критично. Решение: использовать EMA-encoder для DSS-пересчёта. + +**Действие:** реализовать в S6 (CVGL); для S1–S5 регрессии на VisLoc — оставить in-batch (там не нужно). + +#### 3.3. Quality-filtering captions Поляковой ПЕРЕД подачей в HID + +**Источник:** SC3 Quality-Driven Curation (Полякова/3_scoring), top-30% отфильтрованных данных > 100% сырых; H2 Seeing Clearly (-11pp hallucination); H3 RSPOPE. + +**Что:** перед использованием captions Поляковой: + +1. **Фильтр по длине:** `tokens_output > 300` (отсев 44% обрезанных без Level 3). +2. **Фильтр по FDR:** `FDR < 0.10` для drone, `FDR < 0.15` для sat (отсев hallucinations). +3. **Фильтр по NumAcc:** `NumAcc > 0.95` (counts должны быть точны). +4. **Очистка raw JSON в output_text:** удалить `coverage_pct`, `quadrant`, `inventory` маркеры через regex. +5. **Infer terrain:** заменить `terrain="Unknown"` на категорию из доминирующего класса segmentation. + +**Применимо к HID:** все правки на стороне dataloader, не меняют HID-блок. + +**Риск:** после фильтрации может остаться <50% captions. Если это всё ещё ≥30 K — приемлемо для VisLoc/World-UAV. Если <15K — нужен перегенерация. + +**Действие:** S0, до запуска S1. + +### 🟠 P2 — важные, сделать в S3–S6 + +#### 3.4. Adaptive λ-balancing (GradNorm или PALW) вместо фиксированных весов + +**Источник:** DPHR (P47, +2–3%), GradNorm (общая практика), GLEAM warmup. + +**Что:** 8 фиксированных λ — много, есть риск, что L_cvi или L_reg доминирует. Два варианта: + +- **PALW (проще):** `λ_i(t) = λ_i^* · σ(10 · (t/T − 0.3))` — сигмоидная рампа. +- **GradNorm:** автоматически балансирует λ_i так, чтобы `||∇_θ L_i||` были одного масштаба. + +**Применимо к HID:** PALW тривиально подключается к curriculum (Фаза 2). GradNorm требует одной дополнительной forward через backbone — в 1.1× медленнее. + +**Риск:** GradNorm может «оживить» компоненту, которую ты намеренно держишь маленькой (например, L_disent с λ=0.01 — он _должен_ быть малым, чтобы CKA не дробил подпространства). Решение: применять адаптацию только к `λ_cvi, λ_hier, λ_center`, фиксировать `λ_align, λ_disent, λ_ortho`. + +**Действие:** S3 (curriculum) — использовать PALW для warmup новых компонент `λ_cvi, λ_hier, λ_center`. GradNorm — опционально в S4 ablation A_balance. + +#### 3.5. Аугментации: ColorJitter + Rotation + GridMask + +**Источник:** TransGeo, Sample4Geo, Stage4Geo — стандартный CVGL pipeline. + +**Что:** добавить в dataloader для drone и satellite (синхронно): + +- ColorJitter (brightness/contrast/saturation = 0.3 для drone, 0.2 для sat). +- Rotation спутника (0/90/180/270° или непрерывное), drone — без вращения (yaw уже метаданные). +- HorizontalFlip спутника (drone не флипать — yaw меняется). +- GridMask 64×64 с p=0.5 на drone (имитация occlusion). + +**Применимо к HID:** работает на любом датасете, не конфликтует с курс-обучением. + +**Риск:** GridMask на текстовых данных не имеет смысла. Применять только к img-входу. + +**Действие:** S0, реализация в transforms.py. + +#### 3.6. Knowledge injection в промпт VLM Поляковой + +**Источник:** RSTeller PE8/9 (-30…-50% hallucination), Aquila VLM6. + +**Что:** в промпт Qwen3-VL **обязательно** инъецировать факты из Step 1 (segmentation): + +``` +"Сегментация подтверждает: {N1} buildings, {N2} road segments, + {N3} vegetation patches. Опираясь ТОЛЬКО на эти счёты, + сгенерируй описание. Не выдумывай объекты." +``` + +**Применимо к HID:** улучшает качество T_L12 → меньше шума в `z^desc` → стабильнее L_disent. + +**Риск:** требует координации с Поляковой по обновлению промпта v7.1 → v7.2. Время — 1–2 дня. + +**Действие:** обсудить с Поляковой в S0; перегенерация subset (1000 captions) для проверки. + +### 🟡 P3 — опциональные, в S4–S7 как ablation + +#### 3.7. Two-stage prompting (RADAR-like) для T_L3 + +**Источник:** H2 Seeing Clearly without Training (-11pp hallucination). + +**Что:** для генерации `T_L3` использовать 2 запроса: + +1. **Where:** «опиши пространственную структуру: что в каких углах, какие формы доминируют». +2. **What:** «уточни характерные признаки крыш, дорог, растительности». + +Объединить в финальный fingerprint. + +**Применимо к HID:** улучшает cross-view stability T_L3 → сильнее L_cvi. + +**Риск:** +2× latency VLM. Для 80K captions это +16 ч на RTX 4090. Терпимо. + +**Действие:** S6 пилот на 5K captions; если SigLIP score satellite растёт с 0.16 → 0.25, перегенерировать всё. + +#### 3.8. Constrained decoding (JSON-schema) для T_L3 + +**Источник:** DGTRSD VLM8, GeoGround PE1. + +**Что:** заменить free-form промпт T_L3 на `json_schema` через vLLM/`outlines`. Обязательные поля: `roof_signatures`, `road_pattern`, `vegetation_distribution`, `9_zone_anchors`, `cross_view_invariants`. + +**Применимо к HID:** гарантирует 100% парсируемость, упрощает извлечение `T_L3` из JSON в dataloader. + +**Риск:** structured output может уменьшить разнообразие → SigLIP-score может упасть. Тестировать. + +**Действие:** S6 пилот, A/B сравнение со свободным форматом. + +#### 3.9. Cross-area validation split + +**Источник:** Sample4Geo (CVUSA→CVACT даёт честную картинку), VIGOR same-area vs cross-area (77.86% vs 46% R@1). + +**Что:** для GeoText-1652 — train на одних университетах, test на других. Для VisLoc — train на одних регионах, test на других. + +**Применимо к HID:** проверка обобщающей способности; ожидаемая просадка R@1 на 10–25%, но это честный показатель. + +**Риск:** absolute R@1 будет ниже, чем у конкурентов на same-area (CGSI 95.45%). Решение: репортить **обе** настройки. + +**Действие:** S5–S6, обязательно для Scopus-публикации. + +--- + +## 4. Что **не** добавлять в HID-Fusion (отвергнуто после фильтрации) + +| Идея агентов | Почему не делать | +| ------------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | +| **Слить `L_ortho^(1)` + `L_ortho^(2)`** | Это **разные уровни иерархии** (P_M⊥P_S vs Q_desc⊥Q_cvi). Слияние сломает теоретическую структуру и Положение 1 | +| **Слить `L_align` в `L_cvi`** | Разные роли: `L_align` = внутри-подпространственное cosine между модальностями; `L_cvi` = cross-view contrastive на одном CVI-подпр. Слияние теряет смысл иерархии | +| **Удалить `L_disent` (CKA)** | Преждевременно. Литература (CVD M5) показывает, что disentanglement даёт +1–2%. Сначала ablation A4 в S4, потом решать | +| **Заменить FiLM на Sigma CroMB / Coupled Mamba** | HID не использует FiLM — у него мультипликативные шлюзы. Это другой механизм. CroMB может быть рассмотрен как **альтернативная архитектура шлюза** в очень дальних ablation, но не как корректировка | +| **Top-down semantic projection как 6-я модальность** | Out of scope (это 5-modal докторской) | +| **Pure LUPI / Knowledge Distillation** | Out of scope (докторская Пикалёва) | +| **DINOv3-L SAT-493M teacher** | Out of scope (масштаб докторской) | +| **Mutable token для graceful modality dropout (MMGeo)** | Полезно, но out of scope: HID работает с 2 модальностями (RGB+Text), а text-dropout уже опубликован SPCRAS 2025 | +| **Сменить Qwen3-VL-8B на DeepSight/AeroLite** | FDR=0.076 уже хорош. Смена VLM = high risk новых классов ошибок. **Stay with Qwen3-VL.** Лучше LoRA fine-tune на top-30% отфильтрованных | +| **Edge deployment Jetson Orin / INT8 TensorRT** | Out of scope (докторская). Кандидатская репортит только GPU FLOPs/latency как H_HID-8 | + +--- + +## 5. Численные ориентиры — куда целиться + +|Датасет|SOTA 2025–2026|Ориентир для HID-Fusion (кандидатская)| +|---|:-:|:-:| +|**University-1652 D→S R@1**|97.50% (MGS²+depth), 95.45% (CGSI flat)|≥ **94%** (без depth, на vision+text)| +|**University-1652 D→S AP**|97.77% (GeoBridge)|≥ **95%**| +|**CVUSA R@1**|98.68% (Sample4Geo)|≥ **86%** (HID = vision+text, не vision-only optimized)| +|**VIGOR same-area R@1**|77.86% (Sample4Geo)|≥ **70%**| +|**VIGOR cross-area R@1**|61.70% (Sample4Geo + DSS)|≥ **55%**| +|**SUES-200 R@1 (150m alt.)**|96.47% (JRN-Geo с normals)|≥ **88%** (vision+text)| +|**GeoText-1652 T→I R@1**|13.6% (P57 baseline)|≥ **20%** — это новизна, есть пространство| +|**VisLoc регрессия val MAE**|0.17 (Gate-Fusion baseline)|≤ **0.155** (HID с DISC), ≤ **0.140** (полный HID)| + +**Стратегия:** на same-area не выйти на CGSI/GeoBridge (95%+), но **HID может побеждать на cross-area** благодаря дизентэнглменту через 3 подпространства — это и есть аргумент для рецензента. + +--- + +## 6. Vision-side: backbone и текст-encoder — менять? + +### Vision backbone: **StripNet-small остаётся** + +- StripNet-small (~5M) валидирован публикацией ПИИ 2024. +- Альтернативы (ConvNeXt-Nano 15.5M, Vim 35M, DINOv3-S/B) — больше параметров, выгода неочевидна для регрессии БПЛА. +- Цена смены: пере-обучение всех baselines, потеря преемственности с опубликованным baseline. **Не оправдано.** + +### Text encoder: **MobileCLIP2-s0 остаётся** + +- Партиальная разморозка работает, RU/EN не критично (всё промпты EN, валидировано в ПИИ 2025 Т.39 №4). +- Альтернатива — DINOv3 (визуальный), не text. RemoteCLIP / GeoRSCLIP — RS-domain, но больше параметров. +- **Не менять.** + +--- + +## 7. Приоритизированный action-list + +### Срочно (S0, 1 неделя — до 13 мая) + +1. ✅ **Quality-filter captions Поляковой** (длина >300, FDR<0.10, NumAcc>0.95, очистка raw JSON, infer terrain) — §3.3 +2. ✅ **Реализовать аугментации** (ColorJitter, Rotation/Flip спутника, GridMask drone) — §3.5 +3. ✅ **Согласовать с Поляковой knowledge-injection** в промпт v7.2 (counts из сегментации как аксиомы) — §3.6 +4. ✅ **Сгенерировать captions для VisLoc** через Qwen3-VL-8B (~6742 снимков, ~3.5 ч на RTX 4090) — критично для S1 + +### Важно (S1–S3, 4 недели — до 9 июня) + +5. ⚙️ **Курсовое обучение с PALW** для warmup λ_cvi, λ_hier, λ_center — §3.4 +6. ⚙️ **DSC: реализовать SM-InfoScore + L_center** на базе Cholesky-стабильной версии — задача S2 +7. ⚙️ **Обновить CLAUDE.md и novelty_differentiation.md** — заменить «7 компонент» на «8 компонент» во всех местах (см. предыдущий отчёт) + +### Среднесрочно (S4–S6, 6 недель — до 21 июля) + +8. 🔬 **Cross-area validation split** на VisLoc и GeoText-1652 — §3.9 +9. 🔬 **GPS-then-DSS hard-negative mining** для L_cvi — §3.2 +10. 🔬 **CHSG layout-shift аугментация** — §3.1 +11. 🔬 **Ablations A1–A15** (включая A4: λ_disent=0; A11: T_L3=∅; A13: λ_center=0) — S4 + +### Опционально (S6–S7, как ablation) + +12. 🧪 **Two-stage RADAR prompting для T_L3** — §3.7 +13. 🧪 **Constrained JSON-schema decoding** для T_L3 — §3.8 +14. 🧪 **Hit Rate / VIGOR-style semi-positive evaluation** на GeoText-1652 + +--- + +## 8. Что писать в Related Work / Differentiation + +``` +"Отличия HID-Fusion от существующих подходов: + +1. От flat vision-text fusion (CGSI [P64], GeoBridge [P58/M10]): + двухуровневая иерархическая декомпозиция на 3 подпространства + с разными целевыми задачами, обоснованная Hierarchical IB + (Goldfeld 2019). + +2. От vision-only disentanglement (CVD [M5/P16], GeoDTR+ [P11]): + расширение на vision+text, 3 листа против 2, явная привязка + текстовых уровней к подпространствам. + +3. От contrastive CVGL без текста (Sample4Geo [P10], DAC): + текстово-индуцированная cross-view инвариантность через + L_cvi на CVI-подпространстве (а не на полном представлении), + что сохраняет drone-специфичные признаки в z^M, z^desc. + +4. От 5-modal multimodal CVGL (MMGeo [P50]): + рамки кандидатской диссертации сознательно ограничены парой + RGB+Text; обобщение на K≥5 модальностей вынесено в смежную + докторскую работу (Пикалёв Я.С.). HID-Fusion — строительный + блок более общего метода." +``` + +--- + +## 9. Финальный вердикт + +**Ничего фундаментального в HID-Fusion не менять.** Архитектура, формализация (8 формул), curriculum, набор loss-компонент — валидны и новы. Корректировки точечные, в основном на стороне данных и стратегии sampling (не архитектуры): + +- **3 действия P1** до S1 (фильтр captions, аугментации, knowledge-injection) +- **3 действия P2** в S3–S6 (PALW, DSS, cross-area split) +- **3 опциональных P3** для ablation-таблицы + +Всё это закрывает критику рецензентов («где hard negative mining? — DSS», «где аугментации? — CHSG», «где валидация generalization? — cross-area») без изменения научных Положений 1–4. \ No newline at end of file diff --git a/3_work/Hierarchical Information Decomposition Fusion.md b/3_work/methods/Hierarchical Information Decomposition Fusion.md similarity index 100% rename from 3_work/Hierarchical Information Decomposition Fusion.md rename to 3_work/methods/Hierarchical Information Decomposition Fusion.md