知识卡片

结构图卡 · 9599.k · 生成模型:DeepSeek-V4.1-Flash

RAN的三层卷积二分类器

理解等级:中级

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?

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: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。