问是否有正确的方法以编程方式防止一个短暂的错误识别(在对象检测应用程序中)触发一个操作？

EN

我觉得你已经回答了你自己的问题。一般说来，对模型推理的解释是它自己的调整步骤。例如，在logistic回归任务中，您知道阈值不一定为0.5。事实上，在不同的阈值下，很常见的情况是通过调整阈值来查看召回率和精确度，并且您可以根据业务/产品问题选择一个起作用的阈值。(如果你不想错过任何欺诈，欺诈检测可能有利于高召回率.或高精度，如果你不想惹恼用户的许多假阳性))。

在视频中，这一广泛的概念被扩展到多帧，如你所知。你现在有了超参数的调，“总共多少帧？”还有“有多少帧投票给苹果”？

如果你是一个一个地分析水果沿着传送带，你知道每一块水果将在框架内X秒，你拍摄60英尺，也许你想要60 *X帧。也许你想要90%的帧一致。

您可能想要可视化您的检测器“翻转”检测的频率，这样您就可以对您的阈值进行业务/产品判断。

这个答案对于给你一个明确的线规则并不是很有帮助，但是我希望它能帮助你暗示实际上没有亮线规则。要设置关键的超参数，必须了解问题所在：

对于每一帧，confidence?

• How 1是否足够

1. ，还是需要.75或更高的.75-很多帧才能投票？假设100.
2. 需要多少相关的选票才能触发一个实际的信号？也许是85.

上面的algo假设您在步骤1之后采取了一个硬最大值。另一个选项是将所有100帧进行平均，并选择一个阈值。这是一个软标签的版本，上面的阿尔戈。