# V74 foutoorzaak en authority-first resultaten

## Uitkomst

V74 heeft geen nieuw productiemodel opgeleverd. De actieve checkpoint blijft
ongewijzigd omdat zowel de experimentele proposal-filter als twee
rehearsal-kandidaten op de bevroren V72-calibratie slechter presteren. GeoIntel
presenteert de automatische gebouwanalyse daarom niet langer als één uniforme
resultaatlaag: de GRB-vergelijking maakt voortaan zichtbaar welke AI-kandidaten
officieel bevestigd zijn, welke alleen modelvoorstellen zijn en welke
GRB-gebouwen door AI gemist zijn.

## Visuele foutanalyse

De volledige V72-portfolio van 24 onafhankelijke tegels is met het actieve model
op confidence 0,30 gerenderd. De contact sheet toont terugkerende foutpositieven
op spoorlijnen, voertuigen, bomen, schaduwen en andere contrastrijke structuren.
Daarnaast ontbreken veel gebouwen. Dit ondersteunt de conclusie dat extra
epochs op alleen de nieuwe Vlaamse shard de hoofdoorzaak niet oplossen.

De review is AI-assisted en niet menselijk. Het bewijs mag dus geen menselijke
acceptatie of promotiegate vervangen.

## Afgewezen proposal-filter

Een experimentele ResNet18-filter werd op afzonderlijke V73-AOI's getraind om
building proposals van moeilijke negatieve patches te onderscheiden. De interne
V73-validatie behaalde F1 0,8068, maar die score generaliseerde niet naar V72.
De beste globale V72-combinatie behaalde precision 0,2161, recall 0,2241 en F1
0,2200. Het actieve model zonder filter behaalt op confidence 0,30 F1 0,2504.
De filter kan precision verhogen bij een vaste detectordrempel, maar halveert
dan de recall. Hij blijft daarom experimenteel en wordt niet geladen in
productie.

## Afgewezen rehearsal-training

De trainingsset combineert 180 historische trainingstegels met de 48 nieuwe
V73-tegels, waarbij V73 tweemaal voorkomt. V72 is alleen evaluatie en komt niet
in de fitdata voor.

| Model | Precision | Recall | mAP50 | mAP50-95 | Besluit |
|---|---:|---:|---:|---:|---|
| Actief | 0,1577 | 0,1178 | 0,0568 | 0,0218 | behouden |
| Rehearsal, optimizer auto, 10 epochs | 0,0710 | 0,0776 | 0,0262 | 0,0098 | afgewezen |
| Rehearsal, AdamW 0,0001, 6 epochs | 0,0839 | 0,1034 | 0,0349 | 0,0136 | afgewezen |

De eerste run bracht bovendien een reproduceerbaarheidsfout aan het licht:
Ultralytics `optimizer=auto` negeerde de gevraagde learning rate en koos AdamW
0,002. De wrapper bindt daarom nu expliciet `optimizer=AdamW` en legt dit vast
in het trainingsmanifest. De gecorrigeerde low-learning-rate-run bleef eveneens
onder de actieve baseline.

## Productcorrectheid

Voor actuele gebouwvalidatie in Vlaanderen is GRB de gezagsbron binnen de
beschikbare editie en dekking. De kaartwerkstroom laadt na detectie automatisch
het bewaarde QA-bewijs en toont afzonderlijk:

- GRB-bevestigde AI-kandidaten;
- AI-only, onbevestigde onderzoeksvoorstellen;
- officiële GRB-gebouwen die het model miste.

AI-only voorstellen worden niet als officiële gebouwen voorgesteld. Dit maakt
de productuitvoer aantoonbaar correcter zonder de zwakke modelscore te verbergen
of een niet-bewezen nauwkeurigheidsclaim te maken.

## Evidence

Alle ruwe contact sheets, foutmanifesten, filtermatrices, trainingssamenvattingen
en modelhashes staan onder
`artifacts/evidence/accuracy/model-training/20260810-v74-root-cause/`.