知识卡片
固定更新节奏的两难
相关滤波通常用固定学习率和固定间隔更新模型,这会同时犯两个方向相反的错。目标外观剧烈变化(转身、形变、尺度跳变)时,固定的融合系数太小,新外观进不了模型,分类器仍按旧样子判别,判别力迅速下降;反过来,目标短期几乎没变时,每帧强行更新只会把噪声、压缩失真和背景碎片一点点织进模型,既过拟合又浪费算力。本质是更新强度应跟随“目标变了多少”,而固定参数里没有这个量。可行的替代是用一个可观测信号调制学习率与更新时机:本章取响应图的置信分数,并让它随时间变化,使刚发生大变化的阶段更新更快、稳定阶段更新更慢。
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7章 基于卷积神经网络与人脑记忆模型的目标跟踪算法 · 查看原书依据
(2)固定学习率和时间间隔的更新使算法难以适应目标变化。在实际目标跟踪过程中,目标外观的变化是不确定的,而算法的更新参数却是固定的
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第7章 基于卷积神经网络与人脑记忆模型的目标跟踪算法(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt007.html)
- 结论依据:相关滤波通常用固定学习率和固定间隔更新模型,这会同时犯两个方向相反的错。
- 原始内容:(2)固定学习率和时间间隔的更新使算法难以适应目标变化。在实际目标跟踪过程中,目标外观的变化是不确定的,而算法的更新参数却是固定的