是否有正确的方法以编程方式防止短暂的错误识别（在对象检测应用程序中）触发操作？
Is there a right way to programmatically prevent a brief wrong recognition (in object detection app) to trigger an action?
上下文
我正在构建一个应用程序，它通过设备的摄像头模块执行实时对象检测。渲染效果如下图。
假设我尝试识别一个苹果，大多数时候该应用程序会识别一个苹果。但是，有时，该应用程序会在一些相机帧上识别出错误的水果（假设是柠檬）。
目标
由于在我的代码中识别水果会触发一个动作，我的目标是以编程方式防止短暂的错误识别触发一个动作，并且只考虑多数结果.
我试过的
我试过这种方法：如果相同的水果被识别连续几帧，我假设结果应该是正确的。但是由于我的设备每秒处理几次图像识别，即使是一个错误的猜测也可以连续识别多次，并导致错误的动作。
问题
是否有任何已知的技术可以避免这种行为？
我觉得你已经回答了你自己的问题。一般来说，模型推理的解释是它自己的调整步骤。例如，您知道在逻辑回归任务中阈值不必为 0.5。事实上，调整阈值以查看不同阈值下的召回率和精确率是很常见的，您可以选择一个适用于 business/product 问题的阈值。 （如果您不想错过任何欺诈，欺诈检测可能有利于高召回率……或者如果您不想用大量误报惹恼用户，则可能有利于高精度）。
如您所知，在视频中，这个广泛的概念被扩展到多帧。您现在已经调整了超参数，“总共有多少帧？”和“有多少帧投票 [apple]”？
如果您正在分析一个一个地从传送带上下来的水果，并且您知道每块水果将在画面中停留 X 秒，并且您以 60 fps 的速度拍摄，也许您需要 60 * X 帧。也许您希望 90% 的帧同意。
您需要可视化检测器“翻转”检测的频率，以便您可以 business/product 判断阈值应该是多少。
这个答案对于在这里为您提供明线规则并没有多大帮助，但我希望它有助于暗示实际上没有明线规则。你必须了解问题才能设置关键超参数：
- 对于每一帧，top-1 acc 是否足够，或者我需要 [.75] 或更高的置信度？
- 有多少帧可以投票？说 [100].
- 触发实际信号需要多少相关投票？也许是 [85].
上述算法假设您在第 1 步之后采用 hardmax。另一种选择是对所有 100 帧取平均并选择一个阈值。这是上述算法的软标签版本。
上下文
我正在构建一个应用程序，它通过设备的摄像头模块执行实时对象检测。渲染效果如下图。
假设我尝试识别一个苹果，大多数时候该应用程序会识别一个苹果。但是，有时，该应用程序会在一些相机帧上识别出错误的水果（假设是柠檬）。
目标
由于在我的代码中识别水果会触发一个动作，我的目标是以编程方式防止短暂的错误识别触发一个动作，并且只考虑多数结果.
我试过的
我试过这种方法：如果相同的水果被识别连续几帧，我假设结果应该是正确的。但是由于我的设备每秒处理几次图像识别，即使是一个错误的猜测也可以连续识别多次，并导致错误的动作。
问题
是否有任何已知的技术可以避免这种行为？
我觉得你已经回答了你自己的问题。一般来说，模型推理的解释是它自己的调整步骤。例如，您知道在逻辑回归任务中阈值不必为 0.5。事实上，调整阈值以查看不同阈值下的召回率和精确率是很常见的，您可以选择一个适用于 business/product 问题的阈值。 （如果您不想错过任何欺诈，欺诈检测可能有利于高召回率……或者如果您不想用大量误报惹恼用户，则可能有利于高精度）。
如您所知，在视频中，这个广泛的概念被扩展到多帧。您现在已经调整了超参数，“总共有多少帧？”和“有多少帧投票 [apple]”？
如果您正在分析一个一个地从传送带上下来的水果，并且您知道每块水果将在画面中停留 X 秒，并且您以 60 fps 的速度拍摄，也许您需要 60 * X 帧。也许您希望 90% 的帧同意。
您需要可视化检测器“翻转”检测的频率，以便您可以 business/product 判断阈值应该是多少。
这个答案对于在这里为您提供明线规则并没有多大帮助，但我希望它有助于暗示实际上没有明线规则。你必须了解问题才能设置关键超参数：
- 对于每一帧，top-1 acc 是否足够，或者我需要 [.75] 或更高的置信度？
- 有多少帧可以投票？说 [100].
- 触发实际信号需要多少相关投票？也许是 [85].
上述算法假设您在第 1 步之后采用 hardmax。另一种选择是对所有 100 帧取平均并选择一个阈值。这是上述算法的软标签版本。