← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9598.s · 生成模型:DeepSeek-V4.1-Flash

记忆补不了形变与消失

理解等级:高级

分属性看,MRMCF 在多数属性上领先,尤其在遮挡(OCC)与背景杂波(BC)下优势明显,这与模型“保存被遮挡前模板、用融合原型抗杂波”的设计一致。但它并非全能:形变(DEF)属性上次于 CNN-SVM,目标消失(OV)属性上次于 MEEM 和 CNN-SVM。原因:MRM 的记忆单元保存的是历史外观与分类器参数,对“形状持续改变”缺少显式建模,深度特征的语义不变性更强;目标完全离开视野时,记忆里没有可匹配的新观测,重检测能力弱于带全局搜索的专家集成方法。启示:记忆机制补的是时间连续性,不替代外观建模与重检测;合理做法是把记忆层与更强的特征提取、失败检测模块组合,而不是期待单一模型覆盖所有属性。

这张卡片看不懂?

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

    参考来源

    - 位置:《基于类脑计算的目标检测与跟踪技术》第6章 人脑视觉系统的记忆机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt006.html) - 结论依据:分属性看,MRMCF 在多数属性上领先,尤其在遮挡(OCC)与背景杂波(BC)下优势明显,这与模型“保存被遮挡前模板、用融合原型抗杂波”的设计一致。 - 原始内容:在DEF条件下,所提出的算法仅次于CNN-SVM,在OV条件下,所提出的算法仅次于MEEM和CNN-SVM,说明所提出的算法并不完全适用于所有场景,仍有改进的空间。