知识卡片
RAN插在检测与更新之间
RAN 不是独立模块,它被插在定位与学习之间。原流程是“检测—训练—更新”:定位完就学,学完就更新。加入 RAN 后变成“检测—响应分析—训练—更新”:搜索区域提特征后与分类器在频域相乘,逆变换得到响应图,再送入 RAN 得置信分,依据分数决定该分类器是否训练、是否更新、要不要换人。结构上的变化是定位结果不再无条件写回模型,置信分成为流程中的显式变量,可被后续策略直接引用。代价是每帧多一次前向推理,且 RAN 的误判会直接变成策略错误:该更新时不更新,或在不该学时把背景学进去。
结构图:
flowchart LR
A[搜索区域特征] --> B[与分类器频域相乘]
B --> C[逆变换得响应图]
C --> D[RAN输出置信分]
D --> E[决定训练与更新策略]
E --> F[更新分类器或切换分类器]
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
最后,根据分析结果决定该分类器的训练与更新策略,从而将跟踪过程由“检测-训练-更新”转变为“检测-响应分析-训练-更新”。
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 不是独立模块,它被插在定位与学习之间。
- 原始内容:最后,根据分析结果决定该分类器的训练与更新策略,从而将跟踪过程由“检测-训练-更新”转变为“检测-响应分析-训练-更新”。