chkpnt 09_06_26

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.