知识卡片
分层特征由粗到精定位
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?
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
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
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