Shaun ZhouandClaude Opus 5
65bc6b2045
feat(boxes): 新增传统 CV 定位方法（--method cv），不依赖分类模型
背景差分：大半径方框均值估背景 → 残差（可选极性）→ 平滑 → 有无判定 → 按峰值归一化，
再交给与 gradcam / shap 同一套 cam_to_boxes 出框。只依赖 numpy。
与归因方法的差别：不需要 --checkpoint，分类器还没训练出来就能先跑一版框，也不受分类
精度影响；类别只能来自目录（--target label）；找的是偏离局部背景的区域，而不是模型
据以判断类别的区域，所以对局部目标好、对铺满整图的纹理类给不出有意义的框。
有无缺陷是显式判定的：残差峰值要同时高于绝对对比度下限与噪声水平（MAD 估计）的 15 倍，
否则返回全零图。这条是必需的——实测纯噪声图的"峰值/MAD"稳定在 9 附近（最大 10.9，
几乎与噪声大小无关），有 0.25 对比度黑点时是 25~330；若只按峰值归一化，正常图的噪声
会被拉到 1，满图假框。阈值 15 取在两者之间。
顺带把积分图方框均值从 shap_explain.smooth 提到 engine/classical.box_mean 共用，
避免两处实现各自漂移。
实测：单张 0.011 秒（全量 11k 约 2 分钟）；真实薄膜图上框能套住黑点、虫状物与划痕。
已知局限：背景估计在图像边界处对明暗阶跃有响应，贴边的交界可能出假框。
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
2026-09-17 11:03:13 +08:00
..
2026-09-02 21:43:35 +08:00
2026-09-10 12:04:08 +08:00
2026-09-10 12:04:08 +08:00
2026-09-17 11:03:13 +08:00
2026-09-15 20:04:04 +08:00