Update docs with post-processing results: bg 57% → 5%

Verified on 128 satellite images after dark water fix (std threshold
0.08 → 0.18). Document calibrated thresholds and measured improvements.

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

CLAUDE.md

@@ -34,7 +34,7 @@ python -m pytest src/tests/ -v
 - **Структура директорий:** модальность = папка (`depth/`, `edge/`, `segm/`, `chm/`, `safetensors/`), не суффикс файла.
 - **Стадии последовательно** — одна модель в GPU за раз (экономия VRAM).
 - **Сегментация:** SegEarth-OV3 (SAM 3.1 + open-vocabulary prompts). **17 unified классов** для всех датасетов (единые ID для transfer learning).
-- **Post-processing:** два правила после SegEarth — dark water fix (background → water для тёмных изображений) и wetland reclassify (для GTA-UAV).
+- **Post-processing:** два правила после SegEarth — dark water fix (mean<0.24, std<0.18 → water; satellite bg 57%→5%) и wetland reclassify (GTA-UAV: ложный wetland 14%→0%).
 - **CHMv2 только FP32** — в FP16 NaN.
 
 ## Структура кода
@@ -68,3 +68,4 @@ docs/                      — документация
 - Не использовать `.pt` (torch.save) для хранения тензоров — pickle, медленно.
 - Не рендерить depth/seg в RGB colormap для обучения — OOD для DINOv3, потеря информации.
 - Не снижать threshold ниже 0.1 — увеличивает false positives без значимого улучшения recall.
+- Не менять `dark_water_std_thr` (0.18) — калибровано на GTA-UAV ocean (std 0.10-0.15). Ниже — не ловит, выше — false positives на normal images.

README.md

@@ -136,8 +136,8 @@ PipelineConfig.source = 'db'               # 'db' = спутник, 'query' = Б
 \* GTA-UAV: `seg_reclassify_wetland=True` — wetland переклассифицируется в vegetation/bare soil (ложные срабатывания на холмах GTA V).
 
 **Post-processing** (после SegEarth-OV3):
-- `seg_fix_dark_water=True` (все датасеты) — background на тёмных изображениях (mean_rgb < 0.24) → water
+- `seg_fix_dark_water=True` (все датасеты) — background на тёмных изображениях (mean < 0.24, std < 0.18) → water. Satellite GTA-UAV: bg 57% → 5%.
-- `seg_reclassify_wetland=True` (только GTA-UAV) — wetland → vegetation (зелёный) / bare soil (коричневый)
+- `seg_reclassify_wetland=True` (только GTA-UAV) — wetland → vegetation (зелёный) / bare soil (коричневый). Drone: ложный wetland 14% → 0%.
 
 > Подробный анализ: [`docs/segmentation_class_analysis.md`](docs/segmentation_class_analysis.md)
 

docs/segmentation_class_analysis.md

@@ -314,10 +314,23 @@ GTA-UAV-LR — синтетический датасет, сгенерирова
 ```python
 from scripts.seg_classes import UNIFIED_PROMPTS
 SegConfig(threshold=0.15, prompts=UNIFIED_PROMPTS)
-# UNIFIED_PROMPTS содержит 17 классов (ID 0-16)
+# + seg_fix_dark_water=True, seg_reclassify_wetland=True
-# GTA-UAV: активны все кроме 14, 15 (muddy/embankment — нет в GTA V)
 ```
 
+### Результаты post-processing (проверено на 128 satellite + drone)
+
+| Метрика | Без post-processing | С post-processing |
+|---|---|---|
+| Satellite background | 57.6% | **5.3%** |
+| Satellite >50% bg images | 56.7% | **1%** |
+| Satellite water | 3.7% | **58.5%** |
+| Drone wetland (ложный) | 14.3% | **0%** |
+| Drone background | 11.4% | ~8% |
+
+Два правила:
+1. **Dark water fix** (`seg_fix_dark_water=True`): если background-пиксели имеют mean_rgb < 0.24 и std < 0.18, переклассифицировать в water (class 4). Пороги калиброваны на GTA-UAV ocean: mean ~0.12-0.18, std ~0.10-0.15.
+2. **Wetland reclassify** (`seg_reclassify_wetland=True`): промпт "muddy ground and wetland" ложно срабатывает на холмистой местности GTA V (трава + грунт). Переклассификация по цвету: зелёный → vegetation (3), коричневый → bare soil (11).
+
 ---
 
 ## Оценка влияния на производительность