Add Paper A (IEEE TAI) complete draft with Firm A-calibrated dual-method classification

Paper draft includes all sections (Abstract through Conclusion), 36 references,
and supporting scripts. Key methodology: Cosine similarity + dHash dual-method
verification with thresholds calibrated against known-replication firm (Firm A).

Includes:
- 8 section markdown files (paper_a_*.md)
- Ablation study script (ResNet-50 vs VGG-16 vs EfficientNet-B0)
- Recalibrated classification script (84,386 PDFs, 5-tier system)
- Figure generation and Word export scripts
- Citation renumbering script ([1]-[36])
- Signature analysis pipeline (12 steps)
- YOLO extraction scripts

Three rounds of AI review completed (GPT-5.4, Claude Opus 4.6, Gemini 3 Pro).

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

SAM3_RESEARCH_FINDINGS.md

@@ -0,0 +1,110 @@
+# SAM3 手寫/印刷區域分割研究結果
+
+## 測試環境
+- **服務器**: Linux GPU (192.168.30.36)
+- **CUDA**: 13.0
+- **Python**: 3.12.3
+- **SAM3 版本**: 最新 (2025/11/20 發布)
+- **模型大小**: 848M 參數
+
+## 測試圖片
+- 來源: 會計師簽證報告 PDF 掃描頁面
+- 尺寸: 2481 x 3508 (測試時縮小到 1024 x 1447)
+- 內容: KPMG logo、中文印刷文字、手寫簽名 (3個)、紅色印章 (2個)
+
+---
+
+## 測試結果
+
+### 高效檢測 (分數 > 0.5)
+| Prompt | 區域數 | 最高分數 | 檢測結果 |
+|--------|--------|----------|----------|
+| `company logo` | 6 | **0.855** | ✅ 準確檢測 KPMG logo |
+| `logo` | 8 | **0.853** | ✅ 準確檢測 KPMG logo |
+| `stamp` | 24 | **0.705** | ✅ 準確檢測兩個紅色印章 |
+
+### 低效檢測 (分數 < 0.2)
+| Prompt | 區域數 | 最高分數 | 檢測結果 |
+|--------|--------|----------|----------|
+| `handwritten signature` | 0 | - | ❌ 完全無法檢測 |
+| `signature` | 0 | - | ❌ 完全無法檢測 |
+| `handwriting` | 0 | - | ❌ 完全無法檢測 |
+| `scribble` | 13 | 0.147 | ⚠️ 低分數，位置不準確 |
+| `Chinese characters` | 11 | 0.069 | ⚠️ 非常低分數 |
+
+### 完全無法檢測
+- `handwritten text`
+- `written name`
+- `cursive writing`
+- `autograph`
+- `red stamp` (但 `stamp` 可以)
+- `calligraphy`
+
+---
+
+## 關鍵發現
+
+### SAM3 優勢
+1. **Logo 檢測**: 非常準確 (0.85+ 分數)
+2. **印章檢測**: 效果很好 (0.70+ 分數)
+3. **通用物體分割**: 對自然場景中的物體效果優秀
+
+### SAM3 限制
+1. **無法識別手寫簽名**: 這是最關鍵的發現
+   - 各種 signature 相關的 prompt 分數都接近 0
+   - SAM3 可能沒有在文件手寫簽名數據上訓練
+
+2. **中文手寫字體識別差**:
+   - `Chinese handwritten characters` 無響應
+   - 可能因為訓練數據中缺乏中文手寫樣本
+
+3. **文件場景表現不佳**:
+   - SAM3 主要針對自然場景圖片
+   - 對掃描文件、表格等場景支持有限
+
+---
+
+## 結論
+
+### SAM3 不適合作為手寫簽名提取的主要方案
+
+**原因**:
+1. 無法有效識別「手寫簽名」概念
+2. 對中文手寫內容支持不足
+3. 在文件掃描場景下表現遠不如自然場景
+
+### 建議保留當前方案
+當前 **PaddleOCR + OpenCV Method 3** 方案 (86.5% 手寫保留率) 仍然是更好的選擇：
+- PaddleOCR: 專門針對文字識別訓練，可準確定位印刷文字
+- OpenCV: 通過遮罩和形態學處理有效分離手寫筆畫
+
+### SAM3 的潛在用途
+雖然不適合手寫簽名提取，但 SAM3 可能用於：
+- 檢測並遮罩 Logo 區域
+- 檢測並排除印章干擾
+- 作為預處理步驟的補充工具
+
+---
+
+## 視覺化結果
+
+保存的測試結果圖片：
+- `sam3_stamp_result.png` - 印章檢測 (高準確率)
+- `sam3_logo_result.png` - Logo 檢測 (高準確率)
+- `sam3_scribble_result.png` - Scribble 檢測 (低準確率)
+
+---
+
+## 後續建議
+
+1. **維持現有方案**: PaddleOCR 2.7.3 + OpenCV Method 3
+2. **可選整合 SAM3**: 用於 Logo/印章 檢測作為輔助
+3. **探索其他模型**:
+   - 專門的手寫檢測模型
+   - 文件分析模型 (Document AI)
+   - LayoutLM 等文件理解模型
+
+---
+
+*測試日期: 2025-11-27*
+*分支: sam3-research*