知识卡片

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

88.1%精度与它的代价

理解等级:高级

在 OTB-2015 上,RANCF 的跟踪精度为 88.1%(中心误差在 20 像素内的帧占比),高于九个对比算法;覆盖率与 DeepSRDCF 持平,原因是本法为保速度只用了简单的尺度估计模块,而 DeepSRDCF 用尺度池金字塔,尺寸估计更准。速度上,它快于所有基于深度特征的对比算法,慢于 BACF、LMCF、KCF 等手工特征算法。这笔交换说明收益主要来自记忆机制带来的抗遮挡与抗形变,代价是每帧多出若干次分类器检测与一次 RAN 推理。边界也写在结果里:Skating2-2 这类含相似目标的序列中,MCPF 因搜索区域大而把两个人都当成目标,“取最高分”对相似干扰的辨别力仍有限。

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:在 OTB-2015 上,RANCF 的跟踪精度为 88.1%(中心误差在 20 像素内的帧占比),高于九个对比算法;覆盖率与 DeepSRDCF 持平,原因是本法为保速度只用了简单的尺度估计模块,而 DeepSRDCF 用尺度池金字塔,尺寸估计更准。 - 原始内容:所提出的RANCF算法得到了88.1%的跟踪精度,优于九种对比算法。上述结果表明,利用人脑记忆模型的相关滤波算法对目标外观变化的适应能力得到了提高,鲁棒性得到了增强。