Full fix

check_coverage.py

@@ -0,0 +1,125 @@
+"""Сравнение ПОКРЫТИЯ captions двух наборов (v1 vs v2) — отдельно от обучения.
+
+Отвечает на один вопрос: одинаковый ли набор картинок покрыт текстом в v1 и v2?
+Если да — сравнение R@1 между версиями чистое. Если нет — разница R@1 может
+объясняться покрытием, а не качеством текста (см. протокол §5.4, §0.4).
+
+Использует ТЕ ЖЕ функции чтения, что и обучение (load_text_descriptions,
+combine_text_levels), поэтому «есть текст» здесь означает ровно то же, что
+видит модель: непустой текст для выбранных text_levels, а не заглушку
+"No description available.".
+
+Пример:
+    python check_coverage.py \
+        --data_root /media/servml/SSD_2_2TB/datasets/cvgl_datasets/GTA-UAV-LR \
+        --captions_v1 ".../GTA-UAV-LR-captions_ v1" \
+        --captions_v2 ".../GTA-UAV-LR-captions_v2" \
+        --text_levels level1 level2
+"""
+from __future__ import annotations
+
+import argparse
+import json
+from pathlib import Path
+
+from src.data.gta_uav import combine_text_levels, load_text_descriptions
+from src.data.gta_uav_eval import collect_gallery_names
+
+
+def _has_real_text(
+    name: str,
+    descriptions: dict[str, dict],
+    text_levels: list[str],
+) -> bool:
+    """True, если для картинки есть непустой текст на выбранных уровнях.
+
+    Повторяет семантику обучения: пустой результат combine_text_levels →
+    модель получит заглушку, т.е. текста фактически нет.
+    """
+    desc = descriptions.get(name)
+    if not desc:
+        return False
+    combined = combine_text_levels(desc, text_levels)
+    return combined.strip() != "" and combined != "No description available."
+
+
+def _covered_set(
+    names: list[str],
+    descriptions: dict[str, dict],
+    text_levels: list[str],
+) -> set[str]:
+    """Подмножество имён, у которых есть реальный текст."""
+    return {n for n in names if _has_real_text(n, descriptions, text_levels)}
+
+
+def _report_side(
+    title: str,
+    names: list[str],
+    desc_v1: dict[str, dict],
+    desc_v2: dict[str, dict],
+    text_levels: list[str],
+) -> None:
+    """Напечатать покрытие v1/v2 и пересечение для одной стороны."""
+    total = len(names)
+    cov_v1 = _covered_set(names, desc_v1, text_levels)
+    cov_v2 = _covered_set(names, desc_v2, text_levels)
+    both = cov_v1 & cov_v2
+    only_v1 = cov_v1 - cov_v2
+    only_v2 = cov_v2 - cov_v1
+
+    def pct(n: int) -> str:
+        return f"{n:>6d} / {total} ({100.0 * n / max(total, 1):5.1f}%)"
+
+    print(f"\n── {title} (всего уникальных: {total}) " + "─" * 20)
+    print(f"  покрытие v1:            {pct(len(cov_v1))}")
+    print(f"  покрытие v2:            {pct(len(cov_v2))}")
+    print(f"  есть в ОБОИХ (пересеч): {pct(len(both))}")
+    print(f"  только v1:              {len(only_v1)}")
+    print(f"  только v2:              {len(only_v2)}")
+
+    if len(cov_v1) == len(cov_v2) == len(both):
+        print("  ✅ наборы совпадают → покрытие не влияет на сравнение")
+    else:
+        diff = abs(len(cov_v1) - len(cov_v2))
+        print(
+            f"  ⚠️  расхождение: |v1−v2| = {diff} картинок; "
+            f"для честного сравнения оценивайте на пересечении ({len(both)})"
+        )
+
+
+def main(args: argparse.Namespace) -> None:
+    data_root = Path(args.data_root)
+    text_levels = list(args.text_levels)
+
+    with open(data_root / args.test_meta) as f:
+        pairs_meta = json.load(f)
+
+    # Дрон-запросы: уникальные имена картинок дрона в тесте.
+    drone_names = sorted({e["drone_img_name"] for e in pairs_meta})
+    # Спутниковая галерея: те же уникальные тайлы, что и в eval.
+    gallery_names, _ = collect_gallery_names(pairs_meta)
+
+    print("=" * 64)
+    print(f"COVERAGE CHECK  |  text_levels={text_levels}  |  {args.test_meta}")
+    print("=" * 64)
+
+    for view, names in (("drone", drone_names), ("satellite", gallery_names)):
+        desc_v1 = load_text_descriptions(args.captions_v1, view_type=view)
+        desc_v2 = load_text_descriptions(args.captions_v2, view_type=view)
+        _report_side(
+            f"{view.upper()} {'queries' if view == 'drone' else 'gallery'}",
+            names, desc_v1, desc_v2, text_levels,
+        )
+
+def parse_args() -> argparse.Namespace:
+    p = argparse.ArgumentParser(description="Сравнить покрытие captions v1 vs v2")
+    p.add_argument("--data_root", type=str, required=True)
+    p.add_argument("--test_meta", type=str, default="cross-area-drone2sate-test.json")
+    p.add_argument("--captions_v1", type=str, required=True)
+    p.add_argument("--captions_v2", type=str, required=True)
+    p.add_argument("--text_levels", nargs="+", default=["level1"])
+    return p.parse_args()
+
+
+if __name__ == "__main__":
+    main(parse_args())

scripts/run_experiments.sh

@@ -34,6 +34,11 @@ BATCH_SIZE=64
 MICRO_BATCH=64
 LR=0.0001
 OUTPUT="outputs"
+
+# Seed (протокол §0.4: dev=42; для финального вывода добить победителей на
+# 123 и 456). Переопределяется из окружения, дефолт остаётся 42:
+#   SEED=123 bash scripts/run_experiments.sh v2 2
+SEED="${SEED:-42}"
 # ============================================================
 
 # Массив экспериментов: номер → уровни текста
@@ -73,7 +78,7 @@ TOTAL=$(( ${#VERSIONS[@]} * ${#EXP_NUMS[@]} ))
 
 echo "========================================"
 echo "  CVGL Experiments on GTA-UAV"
-echo "  Epochs: $EPOCHS | Batch: $BATCH_SIZE"
+echo "  Epochs: $EPOCHS | Batch: $BATCH_SIZE | Seed: $SEED"
 echo "  Versions: ${VERSIONS[*]}"
 echo "  Experiments: ${EXP_NUMS[*]}"
 echo "  Total runs: $TOTAL"
@@ -126,7 +131,8 @@ for VERSION in "${VERSIONS[@]}"; do
             --batch_size $BATCH_SIZE \
             --micro_batch_size $MICRO_BATCH \
             --lr $LR \
-            --output_dir "${OUTPUT}/${VERSION}" \
+            --seed $SEED \
+            --output_dir "${OUTPUT}/${VERSION}/seed${SEED}" \
             --inject_mona
 
         echo "✅ [$RUN_IDX/$TOTAL] ${VERSION} / Experiment $EXP_NUM complete"
@@ -138,6 +144,6 @@ echo "========================================"
 echo "  All $TOTAL experiments complete!"
 echo "  Results:"
 for VERSION in "${VERSIONS[@]}"; do
-    echo "    ${VERSION}: ${OUTPUT}/${VERSION}/"
+    echo "    ${VERSION}: ${OUTPUT}/${VERSION}/seed${SEED}/"
 done
 echo "========================================"

src/data/gta_uav.py

@@ -1,15 +1,8 @@
 """DataLoader для GTA-UAV с текстовыми описаниями для ОБЕИХ сторон.
 
-ВАЖНОЕ ИЗМЕНЕНИЕ (симметричная фьюзия): теперь каждый сэмпл содержит
-ЧЕТЫРЕ компонента вместо трёх:
-    drone_image      — картинка с дрона
-    drone_tokens     — токенизированный текст описания дрона
-    satellite_image  — спутниковый снимок (галерея, цель поиска)
-    satellite_tokens — токенизированный текст описания СПУТНИКА (НОВОЕ!)
-
 И дрон, и спутник имеют собственное текстовое описание (сгенерированное
 одной и той же VLM по своей картинке). Модель сливает (картинка+текст)
-СИММЕТРИЧНО на обеих сторонах через два отдельных TextFusionMLP, и только
+СИММЕТРИЧНО на обеих сторонах через два отдельных GatedFusion, и только
 затем сравнивает два слитых вектора.
 
 Задача: symmetric fusion drone↔satellite retrieval (NGCG), где обе стороны
@@ -37,24 +30,37 @@ LOGGER = logging.getLogger("cvgl.data.gta_uav")
 # Загрузка и очистка текстовых описаний
 # ---------------------------------------------------------------------------
 
+# Зонная метка v1: позиционное слово (upper/lower/center...) + опциональное
+# горизонтальное уточнение + двоеточие. Матчится ГДЕ УГОДНО в строке (в т.ч.
+# в середине после `;`), регистронезависимо. Опциональный ведущий `;`/`,`
+# съедается вместе с меткой, но пробельные границы — только [ \t], чтобы НЕ
+# разрушать разрыв абзацев `\n\n` (иначе level'ы слипаются).
+_ZONE_LABEL_RE = re.compile(
+    r'[;,]?[ \t]*'
+    r'\b(?:upper|lower|middle|top|bottom|center|central)'
+    r'(?:[-‑ ]?(?:left|right|center|centre|middle))?'
+    r'[ \t]*:[ \t]*',
+    re.IGNORECASE,
+)
+
+
 def _clean_caption_text(raw_output: str) -> list[str]:
     """Очистить output от markdown-разметки (v1) и разбить на абзацы.
 
     V1 формат содержит markdown-заголовки (**P1 — ...**) и зонные метки
-    (upper-left: ...). V2 формат — чистая проза. Функция обрабатывает оба.
+    (upper-left:, upper-right:, lower-center: ...), причём метки встречаются
-    Применяется одинаково и к drone-, и к satellite-описаниям — формат
+    и в начале строки, и в середине после `;`. V2 формат — чистая проза.
-    разметки общий для обеих сторон.
+    Функция обрабатывает оба и применяется одинаково к drone- и satellite-
+    описаниям.
     """
     text = re.sub(r'\*\*P\d[^*]*\*\*\s*', '', raw_output)
     text = re.sub(r'\*\*([^*]*)\*\*', r'\1', text)
-    text = re.sub(
+    text = _ZONE_LABEL_RE.sub(' ', text)
-        r'^(upper|middle|lower|center)[-‑]?(left|center|right)?:\s*',
-        '', text, flags=re.MULTILINE,
-    )
     paragraphs = [p.strip() for p in text.split("\n\n") if p.strip()]
     cleaned = []
     for p in paragraphs:
         merged = " ".join(line.strip() for line in p.split("\n") if line.strip())
+        merged = re.sub(r'\s{2,}', ' ', merged).strip()
         if merged:
             cleaned.append(merged)
     return cleaned
@@ -204,7 +210,7 @@ class GTAUAVTextDataset(Dataset):
     satellite_tokens, weight, metadata).
 
     Обе стороны несут пару (картинка, текст), которая сливается моделью
-    (TextFusionMLP) в единый вектор перед сравнением.
+    (GatedFusion) в единый вектор перед сравнением.
 
     Args:
         data_root:          Корневая папка GTA-UAV.
@@ -345,7 +351,8 @@ class GTAUAVTextDataset(Dataset):
         satellite_tokens = tokenize_dgtrs(sat_text, context_length=self.context_length, truncate=True)
         satellite_tokens = satellite_tokens.squeeze(0)  # [context_length]
 
-        drone_loc = entry.get("drone_loc_lat_lon", [0.0, 0.0])
+        # В meta координаты дрона называются drone_loc_x_y (игровые X/Y), а не lat/lon.
+        drone_loc = entry.get("drone_loc_x_y", [0.0, 0.0])
 
         return {
             "drone_image": drone_image,                # [3, H, W]
@@ -354,8 +361,8 @@ class GTAUAVTextDataset(Dataset):
             "satellite_tokens": satellite_tokens,         # [248] — НОВОЕ ПОЛЕ
             "weight": torch.tensor(weight, dtype=torch.float32),
             "drone_img_name": drone_img_name,
-            "drone_lat": drone_loc[0],
+            "drone_x": drone_loc[0],
-            "drone_lon": drone_loc[1],
+            "drone_y": drone_loc[1],
         }
 
 
@@ -372,8 +379,8 @@ def collate_fn(batch: list[dict]) -> dict:
         "satellite_tokens": torch.stack([b["satellite_tokens"] for b in batch]),
         "weight": torch.stack([b["weight"] for b in batch]),
         "drone_img_name": [b["drone_img_name"] for b in batch],
-        "drone_lat": torch.tensor([b["drone_lat"] for b in batch]),
+        "drone_x": torch.tensor([b["drone_x"] for b in batch]),
-        "drone_lon": torch.tensor([b["drone_lon"] for b in batch]),
+        "drone_y": torch.tensor([b["drone_y"] for b in batch]),
     }
 
 
@@ -386,8 +393,14 @@ def build_dataloaders(
     batch_size: int = 64,
     num_workers: int = 4,
     image_size: int = 384,
-) -> tuple[DataLoader, DataLoader]:
+    build_test: bool = True,
-    """Создать train и test DataLoader."""
+) -> tuple[DataLoader, DataLoader | None]:
+    """Создать train и (опционально) диагональный test DataLoader.
+
+    build_test=False — не строить test-набор (оценка идёт через
+    multi-positive eval из gta_uav_eval, который сам грузит галерею и
+    описания; иначе описания читаются дважды).
+    """
     train_dataset = GTAUAVTextDataset(
         data_root=data_root,
         pairs_meta_file=train_meta,
@@ -398,16 +411,6 @@ def build_dataloaders(
         use_semipos=True,
     )
 
-    test_dataset = GTAUAVTextDataset(
-        data_root=data_root,
-        pairs_meta_file=test_meta,
-        descriptions_path=descriptions_path,
-        text_levels=text_levels,
-        image_size=image_size,
-        is_train=False,
-        use_semipos=False,
-    )
-
     train_loader = DataLoader(
         train_dataset,
         batch_size=batch_size,
@@ -418,6 +421,23 @@ def build_dataloaders(
         drop_last=True,
     )
 
+    if not build_test:
+        LOGGER.info(
+            "📦 DataLoader ready: train=%d batches (bs=%d, levels=%s); test пропущен",
+            len(train_loader), batch_size, text_levels,
+        )
+        return train_loader, None
+
+    test_dataset = GTAUAVTextDataset(
+        data_root=data_root,
+        pairs_meta_file=test_meta,
+        descriptions_path=descriptions_path,
+        text_levels=text_levels,
+        image_size=image_size,
+        is_train=False,
+        use_semipos=False,
+    )
+
     test_loader = DataLoader(
         test_dataset,
         batch_size=batch_size,
@@ -433,3 +453,4 @@ def build_dataloaders(
         len(train_loader), len(test_loader), batch_size, text_levels,
     )
 
+    return train_loader, test_loader

src/losses.py

@@ -1,21 +1,14 @@
-"""Contrastive loss functions для dual-encoder retrieval.
+"""Contrastive loss functions для fusion dual-encoder retrieval.
 
 InfoNCE (он же NT-Xent, CLIP loss) — стандарт для contrastive learning.
-Также включён вариант weighted-InfoNCE из Game4Loc для GTA-UAV.
 
-Как работает InfoNCE:
+Как работает InfoNCE здесь (drone-fused vs satellite):
-    У тебя батч из B пар (text_i, image_i). Строим матрицу сходства B×B.
+    У тебя батч из B пар (drone_i, satellite_i). Строим матрицу сходства B×B.
-    Правильная пара — на диагонали (text_0↔image_0, text_1↔image_1, ...).
+    Правильная пара — на диагонали (drone_0↔satellite_0, drone_1↔satellite_1, ...).
     Все остальные B-1 пар в строке — «негативные примеры».
 
-    Loss = CrossEntropy по строкам (text→image) + CrossEntropy по столбцам (image→text).
+    Loss = CrossEntropy по строкам (drone→satellite) + CrossEntropy по столбцам (satellite→drone).
-    
+    Это заставляет модель приближать правильные пары и отдалять неправильные.
-    Это заставляет модель:
-    - Приближать правильные пары (высокое сходство)
-    - Отдалять неправильные (низкое сходство)
-    
-    Чем больше B, тем больше негативов, тем сильнее сигнал.
-    Поэтому batch_size=64 важен.
 """
 from __future__ import annotations
 
@@ -28,55 +21,68 @@ class InfoNCELoss(nn.Module):
     """Symmetric InfoNCE loss (как в CLIP).
 
     Считает loss в обе стороны:
-        - text→image: для каждого текста, какое изображение правильное?
+        - drone→satellite (d2s): для каждого слитого запроса дрона, какой спутник правильный?
-        - image→text: для каждого изображения, какой текст правильный?
+        - satellite→drone (s2d): для каждого спутника, какой запрос дрона правильный?
     Усредняет оба направления.
 
+    Названия acc_d2s/acc_s2d отражают направления слияния:
+    drone→satellite и satellite→drone.
+    (text-to-image / image-to-text), хотя сейчас "text" — это слитый drone-эмбеддинг,
+    а "image" — спутниковый эмбеддинг.
+
+    Направления взвешиваются несимметрично (протокол §6.3): основное —
+    q2g (drone→satellite, d2s) с весом 0.6, вспомогательное — g2q (s2d)
+    с весом 0.4.
+
     Args:
-        label_smoothing: Сглаживание меток. 0.0 = жёсткие метки (стандарт CLIP).
+        label_smoothing: Сглаживание меток (протокол: 0.1).
-            Небольшое значение (0.1) может помочь при шумных описаниях.
+        w_d2s: Вес направления drone→satellite (q2g). По умолчанию 0.6.
+        w_s2d: Вес направления satellite→drone (g2q). По умолчанию 0.4.
     """
 
-    def __init__(self, label_smoothing: float = 0.0) -> None:
+    def __init__(
+        self,
+        label_smoothing: float = 0.1,
+        w_d2s: float = 0.6,
+        w_s2d: float = 0.4,
+    ) -> None:
         super().__init__()
         self.label_smoothing = label_smoothing
+        self.w_d2s = w_d2s
+        self.w_s2d = w_s2d
 
     def forward(self, logits: torch.Tensor) -> dict[str, torch.Tensor]:
         """
         Args:
-            logits: Матрица сходства [B, B] = text_emb @ image_emb.T / τ.
+            logits: Матрица сходства [B, B] = drone_emb @ satellite_emb.T / τ.
                     Правильные пары на диагонали.
 
         Returns:
             dict:
                 loss:     Средний loss (скаляр).
-                loss_t2i: Text-to-image loss.
+                loss_d2s: Drone-to-satellite loss.
-                loss_i2t: Image-to-text loss.
+                loss_s2d: Satellite-to-drone loss.
-                acc_t2i:  Accuracy text→image (для мониторинга).
+                acc_d2s:  Accuracy drone→satellite (для мониторинга).
-                acc_i2t:  Accuracy image→text.
+                acc_s2d:  Accuracy satellite→drone.
         """
         B = logits.shape[0]
-        # Метки: правильная пара для i-го текста — i-е изображение
         labels = torch.arange(B, device=logits.device)
 
-        # Text → Image: строки матрицы
+        loss_d2s = F.cross_entropy(logits, labels, label_smoothing=self.label_smoothing)
-        loss_t2i = F.cross_entropy(logits, labels, label_smoothing=self.label_smoothing)
+        loss_s2d = F.cross_entropy(logits.T, labels, label_smoothing=self.label_smoothing)
-        # Image → Text: столбцы матрицы (транспонируем)
-        loss_i2t = F.cross_entropy(logits.T, labels, label_smoothing=self.label_smoothing)
 
-        loss = (loss_t2i + loss_i2t) / 2.0
+        loss = self.w_d2s * loss_d2s + self.w_s2d * loss_s2d
 
-        # Accuracy для мониторинга (не для backprop)
         with torch.no_grad():
-            acc_t2i = (logits.argmax(dim=1) == labels).float().mean()
+            acc_d2s = (logits.argmax(dim=1) == labels).float().mean()
-            acc_i2t = (logits.T.argmax(dim=1) == labels).float().mean()
+            acc_s2d = (logits.T.argmax(dim=1) == labels).float().mean()
 
         return {
             "loss": loss,
-            "loss_t2i": loss_t2i,
+            "loss_d2s": loss_d2s,
-            "loss_i2t": loss_i2t,
+            "loss_s2d": loss_s2d,
-            "acc_t2i": acc_t2i,
+            "acc_d2s": acc_d2s,
-            "acc_i2t": acc_i2t,
+            "acc_s2d": acc_s2d,
         }
 
 
@@ -87,9 +93,6 @@ class WeightedInfoNCELoss(nn.Module):
     совпадение) и semi-positive (частичное перекрытие по IoU). Веса
     отражают степень совпадения.
 
-    Вместо жёстких меток [0,0,1,0,...] используются мягкие [0.1, 0.0, 0.7, 0.2,...],
-    где вес пропорционален IoU перекрытия drone-satellite пар.
-    
     Args:
         label_smoothing: Дополнительное сглаживание.
     """
@@ -111,33 +114,30 @@ class WeightedInfoNCELoss(nn.Module):
         B = logits.shape[0]
 
         if weights is None:
-            # Fallback на обычный InfoNCE
             labels = torch.arange(B, device=logits.device)
-            loss_t2i = F.cross_entropy(logits, labels, label_smoothing=self.label_smoothing)
+            loss_d2s = F.cross_entropy(logits, labels, label_smoothing=self.label_smoothing)
-            loss_i2t = F.cross_entropy(logits.T, labels, label_smoothing=self.label_smoothing)
+            loss_s2d = F.cross_entropy(logits.T, labels, label_smoothing=self.label_smoothing)
         else:
-            # Нормализуем веса в распределение вероятностей по каждой строке
+            targets_d2s = F.softmax(weights, dim=1)
-            targets_t2i = F.softmax(weights, dim=1)   # для text→image
+            targets_s2d = F.softmax(weights.T, dim=1)
-            targets_i2t = F.softmax(weights.T, dim=1)  # для image→text
 
-            # KL-divergence вместо cross-entropy (для soft labels)
+            log_probs_d2s = F.log_softmax(logits, dim=1)
-            log_probs_t2i = F.log_softmax(logits, dim=1)
+            log_probs_s2d = F.log_softmax(logits.T, dim=1)
-            log_probs_i2t = F.log_softmax(logits.T, dim=1)
 
-            loss_t2i = F.kl_div(log_probs_t2i, targets_t2i, reduction="batchmean")
+            loss_d2s = F.kl_div(log_probs_d2s, targets_d2s, reduction="batchmean")
-            loss_i2t = F.kl_div(log_probs_i2t, targets_i2t, reduction="batchmean")
+            loss_s2d = F.kl_div(log_probs_s2d, targets_s2d, reduction="batchmean")
 
-        loss = (loss_t2i + loss_i2t) / 2.0
+        loss = (loss_d2s + loss_s2d) / 2.0
 
         with torch.no_grad():
             labels = torch.arange(B, device=logits.device)
-            acc_t2i = (logits.argmax(dim=1) == labels).float().mean()
+            acc_d2s = (logits.argmax(dim=1) == labels).float().mean()
-            acc_i2t = (logits.T.argmax(dim=1) == labels).float().mean()
+            acc_s2d = (logits.T.argmax(dim=1) == labels).float().mean()
 
         return {
             "loss": loss,
-            "loss_t2i": loss_t2i,
+            "loss_d2s": loss_d2s,
-            "loss_i2t": loss_i2t,
+            "loss_s2d": loss_s2d,
-            "acc_t2i": acc_t2i,
+            "acc_d2s": acc_d2s,
-            "acc_i2t": acc_i2t,
+            "acc_s2d": acc_s2d,
         }

src/metrics.py

@@ -1,19 +1,17 @@
-"""Метрики для оценки retrieval качества.
+"""Метрики для оценки качества перекрёстной геолокализации (CVGL).
 
-После обучения мы прогоняем все тексты и изображения через энкодеры,
+    R@K (один positive на запрос):
-строим матрицу сходства и для каждого запроса ранжируем кандидатов.
+        R@K = (1/N) Σ_i  𝟙[rank(i) ≤ K]
+        где rank(i) — позиция (1-indexed) истинного соответствия.
 
-Recall@K — основная метрика:
+    R@K (несколько positive, конвенция «hit-if-any», Sample4Geo):
-    «Какая доля запросов нашла правильный ответ в топ-K?»
+        достаточно, чтобы ХОТЯ БЫ ОДИН positive попал в top-K.
-    Recall@1 = 0.65 значит: в 65% случаев правильное изображение — первое в списке.
 
-AP (Average Precision):
+    AP для одного запроса — доля позитивных предсказаний среди top-K;
-    Усреднённая точность по всем позициям ранжирования.
+    mAP — среднее AP по всем запросам.
-    Учитывает не только «попал ли в топ-K», но и на какой именно позиции.
 
-Meter-level distance (специфика GTA-UAV):
+    q2g (query-to-gallery): БПЛА → спутник (основная метрика);
-    Каждое изображение имеет GPS-координаты. Мы можем посчитать
+    g2q (gallery-to-query): спутник → БПЛА (диагностика симметричности).
-    расстояние в метрах между предсказанной и реальной позицией.
 """
 from __future__ import annotations
 
@@ -23,90 +21,146 @@ import torch
 
 @torch.no_grad()
 def compute_retrieval_metrics(
-    text_embeddings: torch.Tensor,
+    query_embeddings: torch.Tensor,
-    image_embeddings: torch.Tensor,
+    gallery_embeddings: torch.Tensor,
-    ks: list[int] = (1, 5, 10),
+    ks: tuple[int, ...] = (1, 5, 10),
-    compute_ap: bool = True,
+    positives: list[list[int]] | None = None,
+    compute_map: bool = True,
+    return_ranks: bool = False,
 ) -> dict[str, float]:
-    """Вычислить retrieval метрики.
+    """Вычислить метрики поиска q2g.
-    
-    Предполагается что text_embeddings[i] соответствует image_embeddings[i]
-    (i-й текст описывает i-е изображение).
 
     Args:
-        text_embeddings:  [N, D] нормализованные текстовые эмбеддинги.
+        query_embeddings:   [N, D] нормализованные слитые drone-эмбеддинги.
-        image_embeddings: [N, D] нормализованные визуальные эмбеддинги.
+        gallery_embeddings: [M, D] нормализованные слитые satellite-эмбеддинги.
-        ks: Значения K для Recall@K.
+        ks: Значения K для R@K.
-        compute_ap: Считать ли Average Precision (медленнее).
+        positives: Опционально — список positive-индексов галереи для каждого
+            запроса (для конвенции «hit-if-any» при нескольких правильных
+            ответах). Если None — предполагается диагональное соответствие
+            query[i] ↔ gallery[i] (один positive на запрос).
+        compute_map: Считать ли mAP.
+        return_ranks: Если True — добавить в результат ключ "_best_ranks":
+            np.ndarray [N] с 0-indexed рангом первого попавшего positive по
+            каждому запросу (M, если ни один не попал). Из него выводится
+            hit@k = (ranks < k) для любого k — нужно для bootstrap CI и
+            paired-теста (протокол §8.3 / §9.2).
 
     Returns:
-        dict с метриками: recall@1, recall@5, recall@10, AP, ...
+        dict: recall@1, recall@5, recall@10, recall@1%, mean_rank,
+              median_rank, mAP (+ "_best_ranks", если return_ranks=True).
     """
-    N = text_embeddings.shape[0]
+    N = query_embeddings.shape[0]
+    M = gallery_embeddings.shape[0]
 
-    # Матрица сходства: [N, N]. sim[i][j] = косинусное сходство текста i и изображения j.
+    # Матрица косинусного сходства (эмбеддинги уже L2-нормализованы)
-    sim = text_embeddings @ image_embeddings.T  # уже L2-нормализованы → cosine sim
+    sim = query_embeddings @ gallery_embeddings.T  # [N, M]
+    sorted_indices = sim.argsort(dim=1, descending=True)  # [N, M]
 
-    # Для каждого текста ранжируем все изображения по убыванию сходства.
+    # positive-множество для каждого запроса
-    # ranks[i] = на какой позиции (0-indexed) стоит правильное изображение i.
+    if positives is None:
-    # Правильное изображение для текста i — это image i (диагональ).
+        # Диагональное соответствие: для запроса i правильный ответ — gallery i
-    sorted_indices = sim.argsort(dim=1, descending=True)  # [N, N]
+        positives = [[i] for i in range(N)]
+
+    # Ранг ПЕРВОГО найденного positive (hit-if-any) для каждого запроса
+    best_ranks = torch.full((N,), M, dtype=torch.long)
+    # AP по каждому запросу (для mAP)
+    aps = torch.zeros(N, dtype=torch.float)
+
+    sorted_np = sorted_indices.cpu().numpy()
 
-    # Найти позицию правильного ответа (i-е изображение для i-го текста)
-    ranks = torch.zeros(N, dtype=torch.long, device=sim.device)
     for i in range(N):
-        rank = (sorted_indices[i] == i).nonzero(as_tuple=True)[0].item()
+        pos_set = set(positives[i])
-        ranks[i] = rank
+        if not pos_set:
+            continue
+        order = sorted_np[i]  # индексы галереи по убыванию сходства
 
-    results = {}
+        # Позиции всех positive в ранжированном списке (0-indexed)
+        hit_positions = [r for r, idx in enumerate(order) if idx in pos_set]
+        if not hit_positions:
+            continue
 
-    # Recall@K: доля запросов, где правильный ответ в топ-K
+        # Ранг первого попадания (1-indexed) — для R@K по «hit-if-any»
+        best_ranks[i] = hit_positions[0]
+
+        # AP запроса: среднее precision@(каждое попадание)
+        # precision на k-м попадании = (номер попадания) / (позиция+1)
+        if compute_map:
+            ap = 0.0
+            for hit_num, pos in enumerate(hit_positions, start=1):
+                precision_at_hit = hit_num / (pos + 1)
+                ap += precision_at_hit
+            aps[i] = ap / len(pos_set)
+
+    results: dict[str, float] = {}
+
+    # R@K: доля запросов, где первый positive попал в top-K
     for k in ks:
-        recall = (ranks < k).float().mean().item()
+        results[f"recall@{k}"] = (best_ranks < k).float().mean().item()
-        results[f"recall@{k}"] = recall
 
-    # Recall@1%: правильный ответ в топ-1% базы
+    # R@1%
-    k_1pct = max(1, N // 100)
+    k_1pct = max(1, M // 100)
-    results["recall@1%"] = (ranks < k_1pct).float().mean().item()
+    results["recall@1%"] = (best_ranks < k_1pct).float().mean().item()
 
-    # Mean Rank и Median Rank (для анализа — чем меньше, тем лучше)
+    # Mean / Median rank (1-indexed для читаемости)
-    results["mean_rank"] = ranks.float().mean().item()
+    results["mean_rank"] = (best_ranks.float() + 1).mean().item()
-    results["median_rank"] = ranks.float().median().item()
+    results["median_rank"] = (best_ranks.float() + 1).median().item()
 
-    # Average Precision
+    # mAP
-    if compute_ap:
+    if compute_map:
-        # AP = среднее по всем запросам от 1/(rank+1)
+        results["mAP"] = aps.mean().item()
-        # Это упрощённый AP для случая одного правильного ответа на запрос.
+
-        ap = (1.0 / (ranks.float() + 1)).mean().item()
+    if return_ranks:
-        results["AP"] = ap
+        results["_best_ranks"] = best_ranks.cpu().numpy()
 
     return results
 
 
 @torch.no_grad()
 def compute_bidirectional_metrics(
-    text_embeddings: torch.Tensor,
+    query_embeddings: torch.Tensor,
-    image_embeddings: torch.Tensor,
+    gallery_embeddings: torch.Tensor,
-    ks: list[int] = (1, 5, 10),
+    ks: tuple[int, ...] = (1, 5, 10),
+    positives_q2g: list[list[int]] | None = None,
+    positives_g2q: list[list[int]] | None = None,
+    return_ranks: bool = False,
 ) -> dict[str, float]:
-    """Метрики в обе стороны: text→image и image→text.
+    """Метрики в обе стороны.
 
-    Returns:
+    q2g (query-to-gallery): БПЛА → спутник — основная метрика.
-        dict с префиксами t2i_ и i2t_ для каждого направления.
+    g2q (gallery-to-query): спутник → БПЛА — диагностика симметричности
+        признакового пространства.
+
+    Args:
+        return_ranks: Если True — добавить ключи "q2g_best_ranks" и
+            "g2q_best_ranks" (np.ndarray, 0-indexed ранги первого попадания)
+            для последующего bootstrap CI / paired-теста. Числовые метрики
+            остаются float, per-query массивы лежат под отдельными ключами.
     """
-    t2i = compute_retrieval_metrics(text_embeddings, image_embeddings, ks=ks)
+    q2g = compute_retrieval_metrics(
-    # Для image→text: переворачиваем — ищем текст по изображению
+        query_embeddings, gallery_embeddings, ks=ks, positives=positives_q2g,
-    i2t = compute_retrieval_metrics(image_embeddings, text_embeddings, ks=ks)
+        return_ranks=return_ranks,
+    )
+    g2q = compute_retrieval_metrics(
+        gallery_embeddings, query_embeddings, ks=ks, positives=positives_g2q,
+        return_ranks=return_ranks,
+    )
+
+    q2g_ranks = q2g.pop("_best_ranks", None)
+    g2q_ranks = g2q.pop("_best_ranks", None)
 
     results = {}
-    for key, val in t2i.items():
+    for key, val in q2g.items():
-        results[f"t2i_{key}"] = val
+        results[f"q2g_{key}"] = val
-    for key, val in i2t.items():
+    for key, val in g2q.items():
-        results[f"i2t_{key}"] = val
+        results[f"g2q_{key}"] = val
 
-    # Средний Recall@K по обоим направлениям
+    # Средний R@K по обоим направлениям
     for k in ks:
-        results[f"avg_recall@{k}"] = (t2i[f"recall@{k}"] + i2t[f"recall@{k}"]) / 2
+        results[f"avg_recall@{k}"] = (q2g[f"recall@{k}"] + g2q[f"recall@{k}"]) / 2
+
+    if return_ranks:
+        results["q2g_best_ranks"] = q2g_ranks
+        results["g2q_best_ranks"] = g2q_ranks
 
     return results
 
@@ -116,32 +170,19 @@ def compute_meter_distance(
     query_coords: np.ndarray,
     gallery_coords: np.ndarray,
 ) -> dict[str, float]:
-    """Расстояние в метрах между предсказанной и реальной позицией.
+    """Расстояние в метрах между предсказанной и истинной позицией.
 
-    Специфика GTA-UAV: каждое изображение имеет GPS-координаты.
+    Берёт координаты top-1 предсказанного спутникового тайла и сравнивает
-    Мы берём координаты top-1 предсказания и считаем расстояние до GT.
+    с истинными координатами запроса.
-    
-    Args:
-        predicted_indices: [N] индексы top-1 предсказанных изображений.
-        query_coords:      [N, 2] GPS-координаты запросов (lat, lon).
-        gallery_coords:    [M, 2] GPS-координаты базы изображений.
-    
-    Returns:
-        dict: mean_distance_m, median_distance_m, recall_at_Xm.
     """
-    predicted_coords = gallery_coords[predicted_indices]  # [N, 2]
+    predicted_coords = gallery_coords[predicted_indices]
-    
+    diffs = predicted_coords - query_coords
-    # Haversine distance (приблизительно, для малых расстояний ≈ Euclidean × scale)
+    distances = np.linalg.norm(diffs, axis=1)
-    # Для GTA-UAV координаты в игровых юнитах, не GPS → используем Euclidean
-    diffs = predicted_coords - query_coords  # [N, 2]
-    distances = np.linalg.norm(diffs, axis=1)  # [N] в метрах (или юнитах)
 
     results = {
         "mean_distance": float(distances.mean()),
         "median_distance": float(np.median(distances)),
     }
-    
-    # Recall at distance thresholds
     for threshold in (5, 10, 25, 50, 100):
         results[f"recall@{threshold}m"] = float((distances < threshold).mean())
 
@@ -152,7 +193,7 @@ def format_metrics(metrics: dict[str, float], prefix: str = "") -> str:
     """Форматировать метрики для логирования."""
     lines = []
     for key, val in metrics.items():
-        if "recall" in key or "AP" in key or "acc" in key:
+        if "recall" in key or "mAP" in key or "AP" in key or "acc" in key:
             lines.append(f"{prefix}{key}: {val:.4f} ({val*100:.1f}%)")
         elif "rank" in key:
             lines.append(f"{prefix}{key}: {val:.1f}")

src/models/dual_encoder.py

@@ -1,37 +1,12 @@
 """Dual-encoder модель для symmetric text-guided cross-view geo-localization.
 
-ИСТОРИЯ ИЗМЕНЕНИЙ АРХИТЕКТУРЫ (по правкам от Ярослава):
+    И дрон, И спутник имеют собственное текстовое описание.
-    v1: текст и картинка дрона кодировались раздельно и сравнивались
-        между собой напрямую (CLIP-style text↔image retrieval).
-    v2: картинка дрона и текст-описание СЛИВАЛИСЬ в один вектор
-        (TextFusionMLP), спутник оставался чисто визуальным.
-    v3 (текущая): И дрон, И спутник имеют собственное текстовое описание.
         Слияние происходит СИММЕТРИЧНО на обеих сторонах:
 
     Drone (картинка + текст → слияние) ──┐
                                           ├─→ cosine similarity → InfoNCE
     Satellite (картинка + текст → слияние) ┘
 
-Зачем симметричное слияние:
-    У спутникового снимка тоже есть текстовое описание (та же VLM, тот же
-    формат), сгенерированное по картинке спутника. Раз у обеих сторон есть
-    пара (картинка, текст), логично использовать оба сигнала одинаковым
-    образом — иначе одна сторона получает преимущество (доступ к двум
-    модальностям), а другая остаётся обеднённой (только картинка), что не
-    оправдано, если данные для текста есть и там, и там.
-
-Зачем ДВЕ отдельные TextFusionMLP (а не одна общая для обоих видов):
-    Визуальные признаки дрона и спутника лежат в разных доменах (наклонный
-    вид с дрона vs нормированный надирный спутниковый снимок), поэтому то,
-    как нужно сочетать "картинка + текст" в один вектор, тоже отличается.
-    Текстовый энкодер (DGTRS-CLIP) используется один на двоих — это одна и
-    та же языковая модель независимо от того, какой вид она описывает.
-
-Зачем residual-gate в TextFusionMLP (для обеих сторон):
-    Картинка — "якорь" (всегда присутствует и валидна).
-    Текст — дополняющий сигнал переменной полезности (level1 несёт больше
-    сигнала чем level3, см. результаты экспериментов). Residual-gate
-    позволяет модели самой регулировать вклад текста, а не сливать 50/50.
 """
 from __future__ import annotations
 
@@ -53,21 +28,27 @@ LOGGER = logging.getLogger("cvgl.dual_encoder")
 
 
 # ---------------------------------------------------------------------------
-# Слияние картинки и текста (TextFusionMLP) — используется для ОБЕИХ сторон
+# Слияние картинки и текста (GatedFusion) — каноническая скалярная формула
 # ---------------------------------------------------------------------------
 
-class TextFusionMLP(nn.Module):
+class GatedFusion(nn.Module):
-    """Слияние визуальных признаков (дрона ИЛИ спутника) с текстовым описанием.
+    """Каноническое gated-слияние визуальных и текстовых признаков.
 
-    Архитектура:
+        fused = σ(α)·img_proj + (1 − σ(α))·text_proj
-        image_feat ──→ Linear ──┐
-                                 ├─→ concat ──→ MLP ──┐
-        text_feat  ──→ Linear ──┘                     │
-                                                        ├─→ gate (sigmoid)
-        image_proj ─────────────────────────(residual)─┴─→ fused = image_proj + gate * candidate
 
-    image_proj выступает "якорем" (residual connection): даже если текст
+    Формула соответствует первоисточнику (GeoRSCLIP GatedFusion) и
-    неинформативен (gate → 0), слитый эмбеддинг не теряет визуальный сигнал.
+    протоколу §3.2: `α` — ЕДИНСТВЕННЫЙ обучаемый скаляр, инициализируется
+    так, что σ(α) = init_gate (вес картинки на старте). σ(α) → 1 означает
+    "доверяем картинке", σ(α) → 0 — "доверяем тексту".
+
+    Картинка и текст приходят из РАЗНЫХ энкодеров (StripNet 1024-d,
+    DGTRS 768-d), поэтому сначала проецируются в общий fused_dim и
+    L2-нормируются — чтобы выпуклая комбинация была осмысленной
+    (комбинируем единичные векторы, как в общем пространстве CLIP
+    первоисточника).
+
+    baseline_mode=True: gate ≡ 1.0 → текст полностью игнорируется
+    (нужно для baseline B0 и теста разрушения текста, протокол §8).
 
     Используется как для дрона, так и для спутника — но как ДВА РАЗНЫХ
     экземпляра с независимыми весами (см. DualEncoder), поскольку визуальные
@@ -77,7 +58,8 @@ class TextFusionMLP(nn.Module):
         image_dim: Размерность визуальных признаков (вход).
         text_dim:  Размерность текстовых признаков (вход).
         fused_dim: Размерность слитого вектора (выход).
-        hidden_dim: Размерность скрытого слоя MLP (по умолчанию = fused_dim).
+        init_gate: Начальный вес картинки σ(α) ∈ (0, 1).
+        baseline_mode: Если True — gate ≡ 1.0 (текст выключен).
     """
 
     def __init__(
@@ -85,56 +67,52 @@ class TextFusionMLP(nn.Module):
         image_dim: int,
         text_dim: int,
         fused_dim: int,
-        hidden_dim: int | None = None,
+        init_gate: float = 0.7,
+        baseline_mode: bool = False,
     ) -> None:
         super().__init__()
-        hidden_dim = hidden_dim or fused_dim
+        if not 0.0 < init_gate < 1.0:
+            raise ValueError(f"init_gate must be in (0, 1), got {init_gate}")
 
         self.image_proj = nn.Linear(image_dim, fused_dim)
         self.text_proj = nn.Linear(text_dim, fused_dim)
 
-        self.fusion_mlp = nn.Sequential(
+        # α в логит-пространстве: σ(α) = init_gate на старте.
-            nn.Linear(fused_dim * 2, hidden_dim),
+        init_alpha = torch.log(torch.tensor(init_gate / (1.0 - init_gate)))
-            nn.GELU(),
+        self.alpha = nn.Parameter(init_alpha)
-            nn.Linear(hidden_dim, fused_dim),
+        self.baseline_mode = baseline_mode
-        )
-        self.gate = nn.Sequential(
-            nn.Linear(fused_dim * 2, fused_dim),
-            nn.Sigmoid(),
-        )
 
         for m in (self.image_proj, self.text_proj):
             nn.init.trunc_normal_(m.weight, std=0.02)
             nn.init.zeros_(m.bias)
-        for m in self.fusion_mlp.modules():
-            if isinstance(m, nn.Linear):
-                nn.init.trunc_normal_(m.weight, std=0.02)
-                nn.init.zeros_(m.bias)
-        # Gate инициализируем так, чтобы изначально пропускать мало текста
-        # (bias смещён в отрицательную сторону → sigmoid ≈ 0 на старте).
-        last_gate_linear = self.gate[0]
-        nn.init.trunc_normal_(last_gate_linear.weight, std=0.02)
-        nn.init.constant_(last_gate_linear.bias, -2.0)
 
-    def forward(self, image_feat: torch.Tensor, text_feat: torch.Tensor) -> torch.Tensor:
+    def forward(
-        """Слить визуальные и текстовые признаки в один вектор.
+        self,
+        image_feat: torch.Tensor,
+        text_feat: torch.Tensor | None,
+    ) -> torch.Tensor:
+        """Слить визуальные и текстовые признаки одной скалярной gate.
 
         Args:
             image_feat: [B, image_dim] — визуальные признаки (до проекции).
-            text_feat:  [B, text_dim]  — текстовые признаки (до проекции).
+            text_feat:  [B, text_dim]  — текстовые признаки, или None.
 
         Returns:
-            [B, fused_dim] — слитый вектор (картинка как якорь + gated текст).
+            [B, fused_dim] — слитый вектор σ(α)·img + (1 − σ(α))·text.
         """
-        img = self.image_proj(image_feat)
+        img = F.normalize(self.image_proj(image_feat), dim=-1)
-        txt = self.text_proj(text_feat)
+        if text_feat is None or self.baseline_mode:
+            return img
+        txt = F.normalize(self.text_proj(text_feat), dim=-1)
+        gate = torch.sigmoid(self.alpha)
+        return gate * img + (1.0 - gate) * txt
 
-        concat = torch.cat([img, txt], dim=-1)
+    @property
-        candidate = self.fusion_mlp(concat)
+    def gate_value(self) -> float:
-        gate = self.gate(concat)
+        """Текущий вес картинки σ(α). 1.0 = текст игнорируется."""
-
+        if self.baseline_mode:
-        fused = img + gate * candidate
+            return 1.0
-        return fused
+        return torch.sigmoid(self.alpha).item()
 
 
 # ---------------------------------------------------------------------------
@@ -145,7 +123,7 @@ class DualEncoder(nn.Module):
     """Symmetric dual-encoder: слитый drone-эмбеддинг vs слитый satellite-эмбеддинг.
 
     И дрон, и спутник проходят одинаковую по структуре, но раздельную по
-    весам процедуру: картинка + текст → TextFusionMLP → проекция →
+    весам процедуру: картинка + текст → GatedFusion → проекция →
     L2-норма. Полученные эмбеддинги сравниваются через cosine similarity.
 
     Args:
@@ -168,6 +146,8 @@ class DualEncoder(nn.Module):
         fused_dim: int = 512,
         shared_dim: int = 512,
         temperature_init: float = 0.07,
+        init_gate: float = 0.7,
+        baseline_mode: bool = False,
     ) -> None:
         super().__init__()
 
@@ -176,20 +156,25 @@ class DualEncoder(nn.Module):
         self.satellite_image_encoder = satellite_image_encoder
         self.fused_dim = fused_dim
         self.shared_dim = shared_dim
+        self.baseline_mode = baseline_mode
 
         # --- Слияние картинки + текста — ДВА отдельных модуля ---
         # Раздельные веса: визуальные домены дрона и спутника различны,
         # поэтому оптимальный способ "смешивания" картинки с текстом тоже
         # должен быть индивидуальным для каждой стороны.
-        self.drone_fusion = TextFusionMLP(
+        self.drone_fusion = GatedFusion(
             image_dim=drone_image_encoder.out_dim,
             text_dim=text_encoder.embed_dim,
             fused_dim=fused_dim,
+            init_gate=init_gate,
+            baseline_mode=baseline_mode,
         )
-        self.satellite_fusion = TextFusionMLP(
+        self.satellite_fusion = GatedFusion(
             image_dim=satellite_image_encoder.out_dim,
             text_dim=text_encoder.embed_dim,
             fused_dim=fused_dim,
+            init_gate=init_gate,
+            baseline_mode=baseline_mode,
         )
 
         # --- Проекционные головы в общее пространство сравнения ---
@@ -217,7 +202,7 @@ class DualEncoder(nn.Module):
 
     @property
     def temperature(self) -> torch.Tensor:
-        return self.log_temperature.exp().clamp(min=0.01, max=100.0)
+        return self.log_temperature.exp().clamp(min=0.01, max=0.1)
 
     def encode_drone(
         self,
@@ -269,6 +254,8 @@ class DualEncoder(nn.Module):
                 satellite_emb:  [B, shared_dim]
                 logits:         [B, B] — drone_emb @ satellite_emb.T / temperature
                 temperature:    скаляр
+                drone_gate:     σ(α) дрон-fusion (вес картинки, для логов)
+                satellite_gate: σ(α) спутник-fusion (вес картинки, для логов)
         """
         drone_emb = self.encode_drone(drone_images, drone_tokens)
         satellite_emb = self.encode_satellite(satellite_images, satellite_tokens)
@@ -281,6 +268,8 @@ class DualEncoder(nn.Module):
             "satellite_emb": satellite_emb,
             "logits": logits,
             "temperature": self.temperature,
+            "drone_gate": self.drone_fusion.gate_value,
+            "satellite_gate": self.satellite_fusion.gate_value,
         }
 
 
@@ -330,6 +319,8 @@ def build_dual_encoder(
     freeze_image_backbone: bool = True,
     inject_mona: bool = True,
     mona_bottleneck: int = 64,
+    init_gate: float = 0.7,
+    baseline_mode: bool = False,
     device: str = "cpu",
 ) -> DualEncoder:
     """Собрать симметричный DualEncoder из чекпоинтов.
@@ -341,11 +332,12 @@ def build_dual_encoder(
     Визуальные энкодеры — ДВА отдельных экземпляра StripNetEncoder, по
     одному на домен (дрон / спутник), с отдельными Conv-MONA адаптерами.
 
-    Слияние — ДВА отдельных TextFusionMLP (drone_fusion, satellite_fusion),
+    Слияние — ДВА отдельных GatedFusion (drone_fusion, satellite_fusion),
-    с отдельными весами, так как оптимальное смешивание "картинка+текст"
+    с отдельными весами (проекции + скаляр α), так как оптимальное
-    индивидуально для каждого визуального домена.
+    смешивание "картинка+текст" индивидуально для каждого визуального домена.
+    Формула: σ(α)·img + (1 − σ(α))·text (первоисточник / протокол §3.2).
 
-    Обучаются: оба TextFusionMLP, обе проекционные головы, оба набора
+    Обучаются: оба GatedFusion, обе проекционные головы, оба набора
     Conv-MONA адаптеров, temperature.
     Замораживаются: текстовый энкодер целиком, backbone StripNet в обоих
     визуальных энкодерах.
@@ -360,6 +352,8 @@ def build_dual_encoder(
         freeze_image_backbone:   Заморозить backbone StripNet (в обоих).
         inject_mona:             Инжектировать Conv-MONA в оба энкодера.
         mona_bottleneck:         Bottleneck dim для Conv-MONA.
+        init_gate:               Начальный вес картинки σ(α) в GatedFusion.
+        baseline_mode:           Если True — gate ≡ 1.0 (B0 без текста).
         device:                  Устройство.
     """
     # 1. Текстовый энкодер (общий, заморожен, используется для обеих сторон)
@@ -404,13 +398,15 @@ def build_dual_encoder(
             last_n_stages=2,
         )
 
-    # 5. Собрать DualEncoder (TextFusionMLP создаются внутри __init__)
+    # 5. Собрать DualEncoder (GatedFusion создаются внутри __init__)
     model = DualEncoder(
         text_encoder=text_encoder,
         drone_image_encoder=drone_image_encoder,
         satellite_image_encoder=satellite_image_encoder,
         fused_dim=fused_dim,
         shared_dim=shared_dim,
+        init_gate=init_gate,
+        baseline_mode=baseline_mode,
     )
     model = model.to(device)
 

train.py

@@ -1,19 +1,10 @@
 """Цикл обучения dual-encoder модели на GTA-UAV (symmetric fusion-архитектура).
 
-ВАЖНОЕ ИЗМЕНЕНИЕ: модель теперь принимает ЧЕТЫРЕ входа вместо трёх:
-    drone_images, drone_tokens         → сливаются в drone_emb (TextFusionMLP)
-    satellite_images, satellite_tokens → сливаются в satellite_emb (TextFusionMLP)
-    drone_emb и satellite_emb сравниваются между собой → cosine similarity → InfoNCE
-
 И дрон, и спутник имеют собственное текстовое описание; слияние
 (картинка+текст) происходит СИММЕТРИЧНО на обеих сторонах, каждая —
-со своим экземпляром TextFusionMLP (веса не общие, т.к. визуальные
+со своим экземпляром GatedFusion (веса не общие, т.к. визуальные
 домены различаются).
 
-Оптимизировано под RTX 4090 (24 GB VRAM, Ada Lovelace): BF16 AMP,
-micro_batch=64 по умолчанию (effective batch = micro_batch при отсутствии
-gradient accumulation).
-
 Использование:
     python train.py \\
         --data_root /path/to/GTA-UAV \\
@@ -28,22 +19,26 @@ from __future__ import annotations
 import argparse
 import json
 import logging
+import os
+import random
 import sys
 import time
 from contextlib import nullcontext
 from pathlib import Path
 
+import numpy as np
 import torch
 import torch.nn as nn
 from torch.optim import AdamW
-from torch.optim.lr_scheduler import CosineAnnealingLR
+from torch.optim.lr_scheduler import CosineAnnealingLR, LinearLR, SequentialLR
 
 sys.path.insert(0, str(Path(__file__).resolve().parent))
 
 from src.models.dual_encoder import build_dual_encoder, get_trainable_params
 from src.losses import InfoNCELoss
-from src.metrics import compute_retrieval_metrics, format_metrics
+from src.metrics import compute_bidirectional_metrics
 from src.data.gta_uav import build_dataloaders
+from src.data.gta_uav_eval import build_multipos_eval
 
 logging.basicConfig(
     level=logging.INFO,
@@ -52,6 +47,20 @@ logging.basicConfig(
 LOGGER = logging.getLogger("cvgl.train")
 
 
+def set_seed(seed: int) -> None:
+    """Зафиксировать все источники случайности (протокол §0.4: seed=42 dev).
+
+    Покрывает python random, numpy, torch (CPU/CUDA) и порядок сэмплирования
+    в DataLoader/semi-positive выборе — для воспроизводимого equal-budget.
+    """
+    random.seed(seed)
+    np.random.seed(seed)
+    torch.manual_seed(seed)
+    torch.cuda.manual_seed_all(seed)
+    os.environ["PYTHONHASHSEED"] = str(seed)
+    LOGGER.info("🎲 Seed fixed: %d", seed)
+
+
 # ---------------------------------------------------------------------------
 # GPU info
 # ---------------------------------------------------------------------------
@@ -92,40 +101,64 @@ def get_amp_context(use_bf16: bool, use_fp16: bool, device: torch.device):
 # ---------------------------------------------------------------------------
 
 @torch.no_grad()
+@torch.no_grad()
+def _encode_loader(model, loader, encode_fn, device, amp_ctx) -> torch.Tensor:
+    """Прогнать loader через encode_fn (encode_drone/encode_satellite)."""
+    embs = []
+    for batch in loader:
+        images = batch["image"].to(device)
+        tokens = batch["tokens"].to(device)
+        with amp_ctx:
+            emb = encode_fn(images, tokens)
+        embs.append(emb.float().cpu())
+    return torch.cat(embs, dim=0)
+
+
 def evaluate(
     model: nn.Module,
-    test_loader,
+    eval_data: dict,
     device: torch.device,
     amp_ctx,
 ) -> dict[str, float]:
-    """Прогнать test set: drone (fused) vs satellite (fused) — симметрично."""
+    """Multi-positive retrieval eval (протокол §6.2).
+
+    Дрон-запросы и УНИКАЛЬНАЯ спутниковая галерея кодируются раздельно;
+    для каждого дрона учитываются ВСЕ его positive/semi-positive тайлы
+    (hit-if-any). Считаются оба направления: q2g (primary) и g2q.
+
+    Args:
+        eval_data: dict из build_multipos_eval (drone_loader, gallery_loader,
+            positives_q2g, positives_g2q).
+    """
     model.eval()
 
-    all_drone_emb = []
+    query_emb = _encode_loader(
-    all_satellite_emb = []
+        model, eval_data["drone_loader"], model.encode_drone, device, amp_ctx,
-
+    )
-    for batch in test_loader:
+    gallery_emb = _encode_loader(
-        drone_images = batch["drone_image"].to(device)
+        model, eval_data["gallery_loader"], model.encode_satellite, device, amp_ctx,
-        drone_tokens = batch["drone_tokens"].to(device)
-        satellite_images = batch["satellite_image"].to(device)
-        satellite_tokens = batch["satellite_tokens"].to(device)
-
-        with amp_ctx:
-            drone_emb = model.encode_drone(drone_images, drone_tokens)
-            satellite_emb = model.encode_satellite(satellite_images, satellite_tokens)
-
-        all_drone_emb.append(drone_emb.float().cpu())
-        all_satellite_emb.append(satellite_emb.float().cpu())
-
-    all_drone_emb = torch.cat(all_drone_emb, dim=0)
-    all_satellite_emb = torch.cat(all_satellite_emb, dim=0)
-
-    metrics = compute_retrieval_metrics(
-        all_drone_emb, all_satellite_emb, ks=[1, 5, 10],
     )
 
+    metrics = compute_bidirectional_metrics(
+        query_emb, gallery_emb, ks=(1, 5, 10),
+        positives_q2g=eval_data["positives_q2g"],
+        positives_g2q=eval_data["positives_g2q"],
+        return_ranks=True,
+    )
+    # Отделяем per-query массивы (0-indexed ранги первого попадания) от
+    # числовых метрик: они пойдут в .npy для bootstrap CI / paired-теста,
+    # а не в history.json (иначе JSON-дамп упадёт на np.ndarray).
+    per_query = {
+        "q2g_best_ranks": metrics.pop("q2g_best_ranks"),
+        "g2q_best_ranks": metrics.pop("g2q_best_ranks"),
+    }
+    # Primary-алиасы: recall@k / mAP = q2g (для best-model и collect_results).
+    for k in (1, 5, 10):
+        metrics[f"recall@{k}"] = metrics[f"q2g_recall@{k}"]
+    metrics["mAP"] = metrics["q2g_mAP"]
+
     model.train()
-    return metrics
+    return metrics, per_query
 
 
 # ---------------------------------------------------------------------------
@@ -149,8 +182,8 @@ def train_one_epoch(
         amp_ctx = nullcontext()
 
     total_loss = 0.0
-    total_acc_t2i = 0.0
+    total_acc_d2s = 0.0
-    total_acc_i2t = 0.0
+    total_acc_s2d = 0.0
     n_steps = 0
 
     optimizer.zero_grad()
@@ -174,8 +207,8 @@ def train_one_epoch(
             scaled_loss.backward()
 
         total_loss += loss.item()
-        total_acc_t2i += loss_dict["acc_t2i"].item()
+        total_acc_d2s += loss_dict["acc_d2s"].item()
-        total_acc_i2t += loss_dict["acc_i2t"].item()
+        total_acc_s2d += loss_dict["acc_s2d"].item()
         n_steps += 1
 
         if (batch_idx + 1) % grad_accumulate_steps == 0:
@@ -201,8 +234,8 @@ def train_one_epoch(
                 "acc_s2d=%.3f | τ=%.4f",
                 epoch, batch_idx + 1, len(train_loader),
                 loss.item(),
-                loss_dict["acc_t2i"].item(),
+                loss_dict["acc_d2s"].item(),
-                loss_dict["acc_i2t"].item(),
+                loss_dict["acc_s2d"].item(),
                 outputs["temperature"].item(),
             )
 
@@ -225,8 +258,8 @@ def train_one_epoch(
 
     return {
         "loss": total_loss / max(n_steps, 1),
-        "acc_t2i": total_acc_t2i / max(n_steps, 1),
+        "acc_d2s": total_acc_d2s / max(n_steps, 1),
-        "acc_i2t": total_acc_i2t / max(n_steps, 1),
+        "acc_s2d": total_acc_s2d / max(n_steps, 1),
     }
 
 
@@ -235,6 +268,7 @@ def train_one_epoch(
 # ---------------------------------------------------------------------------
 
 def main(args):
+    set_seed(args.seed)
     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
     LOGGER.info("🚀 Device: %s", device)
     log_gpu_info(device)
@@ -248,7 +282,7 @@ def main(args):
     with open(output_dir / "config.json", "w") as f:
         json.dump(config, f, indent=2, default=str)
 
-    train_loader, test_loader = build_dataloaders(
+    train_loader, _ = build_dataloaders(
         data_root=args.data_root,
         descriptions_path=args.descriptions_path,
         text_levels=args.text_levels,
@@ -257,6 +291,18 @@ def main(args):
         batch_size=args.micro_batch_size,
         num_workers=args.num_workers,
         image_size=args.image_size,
+        build_test=False,  # оценка идёт через multi-positive eval ниже
+    )
+
+    # Multi-positive eval (протокол §6.2): уникальная галерея + positive-карты.
+    eval_data = build_multipos_eval(
+        data_root=args.data_root,
+        test_meta=args.test_meta,
+        descriptions_path=args.descriptions_path,
+        text_levels=args.text_levels,
+        image_size=args.image_size,
+        batch_size=args.micro_batch_size,
+        num_workers=args.num_workers,
     )
 
     model = build_dual_encoder(
@@ -292,11 +338,26 @@ def main(args):
         betas=(0.9, 0.98),
     )
 
-    scheduler = CosineAnnealingLR(
+    # Linear-warmup + cosine (протокол §8.1 / §0.1). Warmup зажимается до
+    # epochs-1, чтобы на коротких прогонах (смок epochs=1) деградировать
+    # к чистому косинусу без ошибок.
+    warmup_epochs = max(0, min(args.warmup_epochs, args.epochs - 1))
+    cosine = CosineAnnealingLR(
         optimizer,
-        T_max=args.epochs,
+        T_max=args.epochs - warmup_epochs,
         eta_min=args.lr * 0.01,
     )
+    if warmup_epochs > 0:
+        warmup = LinearLR(
+            optimizer, start_factor=0.01, end_factor=1.0, total_iters=warmup_epochs,
+        )
+        scheduler = SequentialLR(
+            optimizer, schedulers=[warmup, cosine], milestones=[warmup_epochs],
+        )
+        LOGGER.info("📉 LR schedule: linear-warmup(%d) + cosine(%d)", warmup_epochs, args.epochs - warmup_epochs)
+    else:
+        scheduler = cosine
+        LOGGER.info("📉 LR schedule: cosine (%d epochs, no warmup)", args.epochs)
 
     criterion = InfoNCELoss(label_smoothing=args.label_smoothing)
 
@@ -341,21 +402,25 @@ def main(args):
         scheduler.step()
 
         if epoch % args.eval_every == 0 or epoch == args.epochs:
-            eval_metrics = evaluate(model, test_loader, device, amp_ctx)
+            eval_metrics, per_query = evaluate(model, eval_data, device, amp_ctx)
+            # Per-query ранги последнего eval (перезапись) — источник для
+            # bootstrap CI / paired-теста между вариантами (протокол §8.3).
+            np.save(output_dir / "last_ranks_q2g.npy", per_query["q2g_best_ranks"])
+            np.save(output_dir / "last_ranks_g2q.npy", per_query["g2q_best_ranks"])
         else:
-            eval_metrics = {}
+            eval_metrics, per_query = {}, None
 
         elapsed = time.time() - t0
 
         LOGGER.info(
             "📈 Epoch %d/%d (%.0fs) | loss=%.4f | "
-            "R@1=%.3f R@5=%.3f R@10=%.3f | AP=%.3f",
+            "R@1=%.3f R@5=%.3f R@10=%.3f | mAP=%.3f",
             epoch, args.epochs, elapsed,
             train_metrics["loss"],
             eval_metrics.get("recall@1", 0),
             eval_metrics.get("recall@5", 0),
             eval_metrics.get("recall@10", 0),
-            eval_metrics.get("AP", 0),
+            eval_metrics.get("mAP", 0),
         )
 
         if epoch == 1:
@@ -382,6 +447,11 @@ def main(args):
                 },
                 output_dir / "best_model.pth",
             )
+            # Ранги best-эпохи — для честного сравнения вариантов по лучшей
+            # точке (bootstrap CI / McNemar в compare-скрипте после обучения).
+            if per_query is not None:
+                np.save(output_dir / "best_ranks_q2g.npy", per_query["q2g_best_ranks"])
+                np.save(output_dir / "best_ranks_g2q.npy", per_query["g2q_best_ranks"])
             LOGGER.info("💾 New best model (R@1=%.4f)", recall1)
 
         torch.save(
@@ -434,7 +504,7 @@ def parse_args():
     p.add_argument("--lr", type=float, default=1e-4)
     p.add_argument("--weight_decay", type=float, default=0.01)
     p.add_argument("--max_grad_norm", type=float, default=1.0)
-    p.add_argument("--label_smoothing", type=float, default=0.0)
+    p.add_argument("--label_smoothing", type=float, default=0.1)
     p.add_argument("--eval_every", type=int, default=1)
 
     # Performance
@@ -447,6 +517,9 @@ def parse_args():
     # Resume / output
     p.add_argument("--resume", action="store_true", default=False)
     p.add_argument("--output_dir", type=str, default="outputs")
+    p.add_argument("--seed", type=int, default=42)
+    p.add_argument("--warmup_epochs", type=int, default=3,
+                   help="Эпох линейного warmup перед косинусом (§8.1).")
 
     return p.parse_args()