Views
No views yet
pass=0 / reject=1）的部署版 ONNX。full_image_only（专家特征置零、mask 取「缺失」档），
因此只需一张整图即可推理，指标与完整级联几乎一致。cascade_v1_fullonly.onnx — 单输入全图模型（约 111 MB）| 名称 | 形状 | 说明 | |
|---|---|---|---|
| 输入 | image | [B, 3, 512, 512] | float32，RGB，动态 batch |
| 输出 | logit | [B] | 原始 logit，需 sigmoid 转概率 |
mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]）。1import numpy as np, onnxruntime as ort
2
3sess = ort.InferenceSession("cascade_v1_fullonly.onnx", providers=["CPUExecutionProvider"])
4# x: float32 [B,3,512,512], 已归一化
5logit = sess.run(["logit"], {"image": x})[0]
6prob_reject = 1.0 / (1.0 + np.exp(-logit)) # sigmoid| 模型 | ROC-AUC | PR-AUC |
|---|---|---|
| Phase1 baseline（ConvNeXt-Tiny 全图） | 0.955 | 0.880 |
| Cascade S2（完整，训练时三专家） | 0.970 | 0.924 |
| 本 ONNX（full-image-only） | 0.969 | 0.924 |
| 约束 | Precision | Recall | 阈值（sigmoid 概率） |
|---|---|---|---|
| R≥0.90 | ≈0.80 | ≈0.91 | ≈3.9e-7 |
| R≥0.95 | ≈0.67 | ≈0.95 | ≈9.0e-8 |
| R≥0.99 | ≈0.39 | ≈0.99 | ≈3.2e-8 |
aicg-detector（scripts/export_onnx.py 为本文件导出脚本）。