知识卡片
参数手调是落地瓶颈
PCNN 类方法在论文里效果好,工程上却难用,本章点明两个结构性障碍。
- 参数与结果强相关。模型参数多,只能手动设定或靠大量实验估算,换一批图像就要重调,缺少可迁移的标定方法。
- 输出需人工挑选。每轮迭代都生成一张二值图,最优结果没有客观判据,只能人眼比对;迭代次数也无法自动终止,计算量不可控。
FSPCNN 的应对是把这三处“人工”换成都由图像统计量驱动:αe 由 Otsu 阈值与背景标准差决定,权重矩阵由侧抑制系数逐像素生成,停机由汉明距离极小值加非空条件判定。工程意义在于部署时只需喂图,不再为每类场景配一组经验参数。
残留风险:自适应规则本身含经验系数,标定集一偏移仍会退化。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第4章 基于脉冲耦合神经网络的目标检测方法 · 查看原书依据
目前,应用于图像分割领域的PCNN主要存在两个问题:①分割结果与参数选择具有较强的相关性,PCNN模型的参数过多,且只能手动设定或通过大量实验估算;②每次迭代均会生成二值结果,通常需要在众多分割结果中手动选择最优结果。
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第4章 基于脉冲耦合神经网络的目标检测方法(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt004.html)
- 结论依据:PCNN 类方法在论文里效果好,工程上却难用,本章点明两个结构性障碍。
- 原始内容:目前,应用于图像分割领域的PCNN主要存在两个问题:①分割结果与参数选择具有较强的相关性,PCNN模型的参数过多,且只能手动设定或通过大量实验估算;②每次迭代均会生成二值结果,通常需要在众多分割结果中手动选择最优结果。