游戏里的单位即使没有行动，也会呼吸、振翅或冒火。反过来，一次重要变化可能只发生在很小的区域：鼠标指向一个技能，旁边多出几行文字，整张战场图却几乎没变。如果只按固定时间截图，就容易留下运动中间态，也容易漏掉值得读取的提示。
我们要从视频自动选出适合标注和识别的原图：同一内容持续稳定时，最多保留一个代表帧；内容改变后，再寻找新的代表帧。 短暂的文字提示也要保留。这里的输入是视频，输出是候选图片、来源时间及选择原因；识别生物、读取文字和解释伤害是后续任务。
这轮先标注96组五帧片段，比较全图帧差、局部特征逻辑回归和局部特征Extra Trees。选中的模型在按视频轮流留出的开发比较中判对89组；接收的49组里有47组确实稳定。长视频也跑通了，但抽查暴露了菜单动画被过度切段的问题。窗口分类和长段选帧，必须分开验收。
flowchart LR
V[Source video] --> W[Five-frame stability model]
W --> S[Merge runs and check content changes]
S --> R[One native representative per candidate run]
V --> D[Independent dense change scan]
D --> C[Short-event candidates]
R --> A[Scene and element annotation]
C --> A图1：两条供样路径共用原视频。稳定门决定何时适合重复使用一个代表帧，不负责宣判其他时间没有重要信息。
1. 稳定，指内容稳定
在这个回合制战斗游戏里，单位占据六边形格子。下面第一组中，单位姿态改变，但落点和数量牌锚点不变；第二组中，单位真正跨格移动。我们把前者标为STILL，后者标为CHANGED。
图2：clip-63，雪地战场，3502.0秒开始。振翅不是移动。可查看第一帧原图和第五帧原图。
图3：同一来源的clip-37，3528.8秒开始。身体和数量牌一起移位，是变化样本。第一帧原图、第五帧原图。缩略拼图便于比较，原图保留2560×1440像素。
每组取5帧、5 fps，只标这五个采样点，不要求另看完整一秒。首尾相隔0.8秒，也不保证采样点之间没有更短事件。
| 数据批次 | 组数 | 稳定 | 变化 | 审核来源 |
|---|---|---|---|---|
| 前两批 | 64 | 24 | 40 | 用户已确认 |
| 新增批次 | 32 | 28 | 4 | 助手逐组目视审核 |
| 本轮训练合计 | 96 | 52 | 44 | 7段视频、480张原图 |
新增批次重点补待机动作，也含持续特效、已经打开且不再变化的提示/面板和真实变化对照。它不是32组全都没有面板的战场。原有用户标签保持不变；少数旧备注与最终标签不同，训练以最终标签为准。
STILL也不等于“所有内容都能读”。一个遮住生物的提示框可以一直不动：它对生物识别造成遮挡，对提示文字识别却正是目标。稳定性、场景类别和任务区域可读性是三个不同判断。
2. 从全图平均变化，到局部变化
第一种方法最直接：比较相邻图像的像素差，变化小就认为稳定。它运行便宜，但大面积背景和小块提示会争夺同一个分数。我们因此保留局部位置，尝试两种小模型，不在这一步使用OCR或预先提供scene标签。
| 方法 | 程序实际看到什么 | 怎样判断 |
|---|---|---|
| 全图帧差阈值 | 五张缩小后的完整截图 | 取相邻帧平均变化的最大值，低于阈值就接收 |
| 局部特征逻辑回归 | 同一输入，43个局部变化统计 | 学习各统计的权重，再给出稳定分数 |
| 局部特征Extra Trees | 同样的43个统计 | 多棵随机化决策树组合不同区域的条件 |
三种方法都把2560×1440原图缩成320×180灰度图，做3×3平滑。只屏蔽左右上角很小的计时/头像区域，避免计时变化支配稳定判断；上方行动条和下方技能栏仍保留。完整计时读取属于另一个任务，不能因为这里屏蔽了计时，就在最终系统里丢掉它。
局部特征来自六个固定区域，包括战场内部、中央书页、左下日志、底部技能和行动条，再加8×6分块统计。既看相邻帧差，也看首尾差。例如，中央书页变化很大而底部不变，与整屏淡出产生的分布不同。这里的固定区域是宽泛的位置提示，没有使用人工文字框或生物框。
逻辑回归学习一个加权组合；Extra Trees可以表示“这个区域有变化，同时另一个区域保持不变”等组合条件。本轮后者使用200棵树、最大深度5、最小叶节点2；逻辑回归在训练折内标准化，正则参数C=0.2。两者都把变化样本的训练权重设为稳定样本的两倍。
3. 判对多少，错在什么方向？
采用按来源视频轮流留出：每轮用六段视频的样本训练，预测剩下一段。这样同一视频里的相邻窗口不会直接分到训练与留出两边。不过这七段来源都已经用于开发，模型和阈值也根据这些结果选择；尚未按独立对局和重复录像进一步隔离，因此以下不是最终独立测试成绩。
| 方法 | 判对/96 | 接受样本中的稳定比例 | 找回稳定样本的比例 | 动态误放行 | 稳定误拒绝 |
|---|---|---|---|---|---|
| 全图帧差阈值 | 86 | 44/46，95.65% | 44/52，84.62% | 2 | 8 |
| 局部逻辑回归，阈值0.5 | 88 | 50/56，89.29% | 50/52，96.15% | 6 | 2 |
| 局部Extra Trees，阈值0.5 | 89 | 47/49，95.92% | 47/52，90.38% | 2 | 5 |
“接受样本中的稳定比例”是稳定精确率；“找回稳定样本的比例”是稳定召回率。两种错误代价不同：错过一个稳定窗口，还可能等到下一帧；把变化窗口误当稳定，可能给下游错误的图标或数字。因此本轮用3×动态误放行＋稳定误拒绝选模型。3∶1是一个明确的工程假设，尚未用实际下游损失校准。
我们同时比较阈值0.5和0.8。Extra Trees在0.8时只误放行1组，但会漏掉12组稳定样本；按上述代价，0.5仍较合适。这个分数也不是“该窗口有95%概率稳定”一类经过校准的概率。
图4：clip-74是一个真实失败。变化集中在回合提示和行动范围，模型仍把它接收为稳定。另一个误放行是英雄卡片刚出现hover高亮。错误不能只用全屏看起来相似来解释掉。
原64组上，两种学习模型都判对62组；加入更难的样本后，分母和分布改变了，不能用62/64与89/96声称扩样让百分比提升。新增数据的价值，是让我们看到了更多原地动画、局部变化和稳定面板上的错误。
4. 五帧判稳，不代表长片段已经处理好
视频端按5 fps滑动取五帧窗口。连续接收的窗口合成一段，拒绝窗口和时间缺口会切断它。每段选清晰度最高的中心采样帧，同分时靠近中点；段再长也不会每隔几秒重复导出。
但只比较相邻帧不够。一个提示框缓慢出现，相邻图都很像，整段内容却已经变了。第一版在约38分29秒的录屏中合成106段；抽查长魔法书段后，我们加入“与当前段起点比较”的外观变化检查。第二版得到318段，每段一张2560×1440原图。
图5：从第二版按候选序号间隔抽查16张。上半部分大量相似菜单，直接显示了过度切段问题；不能只展示下半部分成功选出的战场。
新检查使用160×90灰度图的8×6局部块，与段起点的最大块差超过0.065就切段。它修补了缓慢变化遗漏，却也会受移动云层等背景影响。目前“一段一帧”保证的是算法划出的段，不是已经标注正确的真实语义稳定段。 开头约200秒菜单被切成许多相似片段，这还需要长片段参考和更好的任务区域判断。
| 完整视频输出 | 数量与含义 |
|---|---|
| 5 fps采样 | 11,547张 |
| 第二版稳定区间候选 | 318段，每段1张原图 |
| 原帧率变化分支 | 检查69,279张30 fps缩略帧 |
| 短暂变化候选 | 198张，尚未证明都是重要提示 |
密集分支独立运行，不等待稳定门。它在320×180图上找局部变化，阈值0.015，候选间隔至少0.35秒。当前候选图片只是缩略预览，正式标注时回原视频提原图。更小的文字或更短的事件仍可能漏掉，所以198不是已测出的提示召回率。
稳定分支截图数减少97.25%，但这个比例没有算入198张变化候选，也没有衡量重要内容是否保留。最长候选段222.6秒，尚未完整审核。下轮必须直接标注真实可用区间，测每段是否选到图、是否重复切段和哪些提示完全没选到。五帧分类成绩不能替代这些指标。
5. 速度：模型预测很轻，视频读取更贵
以下在AMD Ryzen 9 9900X 12-Core CPU运行。96组共480张原图，读取、缩放及特征提取6.661秒；七折比较和最终模型训练0.677秒。模型常驻后，批量预测平均每窗口0.040毫秒，不含图像处理。新进程内测到导入及模型加载0.797秒，不含解释器启动，也不是完整冷处理时间。
| 第二版处理整段38分29秒视频 | 耗时 |
|---|---|
| 已有5 fps缓存检查 | 0.027秒 |
| 顺序读取缓存和提特征 | 27.969秒 |
| 批量模型预测 | 0.029秒 |
| 导出318张原尺寸图片 | 14.180秒 |
| 读取密集缓存、筛选并写候选 | 21.247秒 |
| 整个运行，含其他开销 | 64.387秒 |
第二版复用了已经生成的两份缩略视频缓存。第一版从冷媒体缓存开始，总耗时176.374秒，但它导出的是106张稳定代表帧，配置和输出数量也不同。因此不能把176→64解释成算法本身加速；第二版完整冷缓存耗时尚未测量。以上也没有包含OCR、scene分类和日志解析。
复现入口与版本
源码在Desktop的olden-era：perception/experiments/b033_stable-segment-keyframe-mining/README.md给出PowerShell训练、视频运行及测试命令。results/reviewed96-input.json冻结原图路径、来源时间、最终标签和审核修订；reviewed96-model.json保留每个样本的折外分数、环境和首次计时。
训练入口支持--snapshot，重跑冻结输入已复现相同分数和模型选择。OpenCV 4.14.0、scikit-learn 1.9.0；源码提交后由Git记录版本。模型和完整媒体留在本地数据目录，博客不把它们当作公开下载的数据集。
6. 短提示可以直接成为训练原图
图6：一张原尺寸法术说明截图。即使显示时间短，只要文字清晰，也可以标注。这里没有标完整出现/消失时间，不能把这张图当作已验证的短事件召回证据。
下一步的场景表达包含三层：战斗 → 魔法书 → 法术说明；或者战斗 → 普通战场 → 对某个单位的目标预览。第三级描述当前交互细节，目标部队与数值归属另外记录。仅有“伤害”二字，不能判断它是法术描述、普通攻击预览还是战斗日志。
已经整理22张原图到同一个交互详情标注页：12张无额外详情，6张法术说明，2张技能说明，1张普通UI提示，1张确认框。它们包括英雄/单位面板、日志及过渡对照，全部有助手标签和来源；尚未训练三级分类器，也尚未在这22张中取得目标伤害预览正例。
短暂内容不限于魔法。普通攻击、生物/英雄技能、法术在指向目标时，都需要记录释放前画面实际显示的预计伤害。我们为此新建B034，把动作来源、目标对象、文字区域和数字联系起来；“预览过”不等于“已经释放”，显示的法术基础伤害也不等于针对这个目标的预计伤害。
供样方法也不预先定死：先测稳定帧能保留多少提示，再比较局部变化候选和OCR检索的新增覆盖。如果稳定采样已足够，可以简化；如果漏掉短提示，就保留旁路。首要目标是得到足够好的scene与元素标注，关键帧只是为此服务。 同一原图可以同时关联生物框、计时、英雄属性和提示文字，不必为每项任务重新截图。
本机可查看新增32组和完整视频候选。后续先补长区间参考及攻击/技能/法术预览的正负例，再训练和比较；现有视频确实缺少某类时，再给出具体补录动作。
Comments