知识卡片

普通读书笔记卡 · 9599.g · 生成模型:DeepSeek-V4.1-Flash

分层特征由粗到精定位

理解等级:中级

同一网络的不同深度提供的信息性质不同:高层感受野大、语义强,能判断“这是不是一类物体”,但特征图分辨率低、定位粗糙;低层保留纹理与边缘细节,分辨率高、定位精细,却容易被相似背景骗过。HCF 据此把 KCF 的 HOG 换成多层深度特征,先用高层响应找到大致区域,再逐层向下、在该区域上精细定位,形成由粗到精的级联。本章的 RANCF 换成另一种用法:把 Conv3-4、Conv4-4、Conv5-4 三层输出加权融合成一张特征图,并做 4×4 降采样,用一次相关运算同时拿到语义与细节。取舍点是融合权重与层数——越深越稳也越慢,这一组合基本靠实验确定。

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:同一网络的不同深度提供的信息性质不同:高层感受野大、语义强,能判断“这是不是一类物体”,但特征图分辨率低、定位粗糙;低层保留纹理与边缘细节,分辨率高、定位精细,却容易被相似背景骗过。 - 原始内容:Ma等提出的HCF算法在KCF算法的基础上,将后者使用的HOG特征替换为分层的深度卷积特征,利用CNN高层语义信息丰富、低层细节信息丰富的特点,先利用高层特征进行粗定位,再向下逐层精确定位