Проверил обобщение на незнакомые формы: каталог модель не выучила

docs/EXPERIMENTS.md

@@ -1690,3 +1690,60 @@ P@150 0.32), а на всём, что меньше, — заметно хуже:
 Что не смягчает ничего: на приватном тесте будет другая линия, и сами пороги
 там могут оказаться не оптимальными. Поэтому все они вынесены в `Params`
 одним местом и меняются без правки кода.
+
+---
+
+## 14. Обобщение на форму, которой не было в обучении
+
+На приватном тесте почти наверняка окажется предмет, которого нет в нашем
+каталоге из девяти форм. Вопрос, выучило ли считывание **геометрию предмета**
+или шесть конкретных силуэтов, решается замером: обучить без одного класса и
+проверить на нём.
+
+Из обучающей выборки выбрасываются только **предметы** этого вида; вся
+обстановка остаётся. Проверка — на предметах этого вида против всей
+обстановки.
+
+| предмет | кандидатов | AUC, класс в обучении | AUC, класс исключён | потеря |
+|---|---:|---:|---:|---:|
+| бутылка | 312 | 0.999 | 0.984 | −0.016 |
+| ведро | 2 091 | 0.999 | 0.997 | −0.002 |
+| человек сидя | 4 479 | 0.996 | 0.993 | −0.003 |
+| человек стоя | 5 668 | 0.993 | **0.965** | −0.028 |
+| чемодан | 3 529 | 0.995 | 0.993 | −0.002 |
+| ящик | 4 071 | 0.997 | 0.994 | −0.002 |
+
+Потеря не превышает **0.028 AUC**, а обычно составляет 0.002–0.003.
+Считывание опирается не на каталог, а на общую геометрию: предмет целиком
+помещается в габарит, компактен вдоль пути, стоит на полотне и не тянется
+дальше, как лоток или стена.
+
+**Что это НЕ доказывает.** Все шесть форм собраны из одних примитивов
+(параллелепипед, цилиндр, шар) и ставятся одинаково — на путь, вертикально,
+без наклона. Это устойчивость внутри семейства компактных предметов на пути,
+а не к чему угодно. Каска, камень и кабель в таблицу не попали: они дают
+меньше двух лучей и кандидатов не образуют вовсе — об этом п. 9.
+
+### 14.1. Почему не стали добавлять случайные формы
+
+В [SynRailObs](https://arxiv.org/abs/2505.10784) — синтетическом датасете
+препятствий для железной дороги — ровно эта проблема решается иначе: авторы
+генерируют случайные полигоны, заливают их случайными текстурами и учат
+отдельный класс «неизвестное препятствие». Приём напрашивался и у нас:
+добавить в каталог составные тела случайных пропорций.
+
+Замер выше показал, что это не нужно: привязки к каталогу нет, и добавлять
+формы было бы решением несуществующей задачи. Полтора часа работы сэкономлены
+одним прогоном на двадцать минут.
+
+Попутно та же статья даёт точку сравнения по дальности. Их детекторы
+(YOLOv5-m, nanodet, Faster-RCNN, RT-DETR), обученные с учителем на специально
+сделанном датасете, на **открытом пути** дают mAP 72/69/62/52/44 на полосах
+0–15, 15–30, 30–45, 45–60 и 60–75 м, и собственный вывод авторов — надёжная
+работа в диапазоне **0–45 м**; на 70 м препятствие занимает меньше 20
+пикселей. Сравнивать напрямую нельзя (mAP — не наша вероятность обнаружения в
+кадре, открытый путь — не тоннель), но масштаб заявлений в поле понятен.
+
+И отдельно: о ложных тревогах в той работе не сказано **ничего** — ни одного
+упоминания false positive или false alarm. У нас они измерены на двух сценах
+и выражены в треках на километр пути.