← 返回刚才阅读的位置

知识卡片

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

深度特征时代的三项改进

理解等级:高级

深度特征带来精度,也带来算力与边界问题,三项工作代表三条解法。SRDCF 对滤波器系数施加空域正则化,惩罚远离中心的权重,压制循环移位造成的边界效应。C-COT 用连续卷积算子把不同分辨率的特征图插值到连续域,学出一组多分辨率滤波器,定位可达亚像素。ECO 不改框架而改工程:卷积算子做因式分解降维、样本集用高斯混合合并相似样本、更新改为稀疏间隔,精度从 78.9% 提到 91.0%,速度从不足 1 fps 提到 6 fps。三者共同的启示是,深度特征的高开销必须靠降维、样本管理和稀疏更新换回来,否则再准也难以落到实时跟踪上。

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:深度特征带来精度,也带来算力与边界问题,三项工作代表三条解法。 - 原始内容:SRDCF算法通过对滤波器施加空域正则化约束,抑制了相关滤波算法中存在的边界效应问题;C-COT算法利用连续卷积算子,通过学习得到多分辨率特征图