知识卡片
RAN的三层卷积二分类器
RAN 是一个刻意做小的二分类网络。输入是响应图,原始尺寸随目标框大小变化(最小 15×12,最大 100×60,多数在 30×30 至 50×50),统一缩放到 44×44,以抵消卷积与池化带来的尺寸损失。主体是 3 个卷积层(ReLU)与 3 个 2×2、步长 2 的最大池化交替,每池化一次边长减半;随后接 1024 维全连接(ReLU),输出层 2 个节点、softmax 给出 Normal 与 Bad 的概率。训练用交叉熵损失,Adam 加学习率衰减,batch 取 256,40 轮左右收敛;因网络浅、数据少,未加 Dropout 与 L2。设计取舍很明确:牺牲容量换每帧毫秒级推理,才可能塞进跟踪循环。
结构图:
flowchart TD
A[响应图缩放到44×44] --> B[三层卷积与最大池化]
B --> C[1024维全连接]
C --> D[2节点softmax输出]
D --> E[Bad与Normal置信分]
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
第一层接收来自pool3层的输入,输出节点数为1024,激活函数为ReLU;第二层为最终输出层,节点数与类别数相等,均为2;采用softmax激活函数输出预测结果。
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:RAN 是一个刻意做小的二分类网络。
- 原始内容:第一层接收来自pool3层的输入,输出节点数为1024,激活函数为ReLU;第二层为最终输出层,节点数与类别数相等,均为2;采用softmax激活函数输出预测结果。