Deep learning “目标检测”；一致性“；在逐帧处理视频时

这是一个一般性的问题，而不是一个问题，我希望我在这里问这个问题不是不礼貌的。我发誓我做了搜索，但要么我的谷歌fu缺少，要么我使用的术语完全是曲目，要么两者兼而有之

在视频中进行对象检测时，如果在一帧上检测到某个对象，但在下一帧上未检测到该对象，但在下一帧上再次检测到该对象，您如何命名该问题？我称之为“闪烁”，但我确信这不是学术术语

那么，你如何解决这个问题呢？仔细考虑后，我觉得这个问题似乎与目标跟踪有关，但当对不运动的目标进行目标检测时，这个问题也会发生

---

任何提示和/或参考都将不胜感激。

在开发一些对象检测用例-“闪烁”时，我面临类似的问题。无论你的检测有多好，总会有闪烁的问题。在本例中，我使用以下任一方法解决问题：

1） 如果您没有计算任何置信值，那么您可以获取帧的历史记录，然后决定是否显示天气，而不是决定在每个帧中显示检测。为帧数选择一个阈值，如果在特定位置的所有前几帧中都缺少检测，则仅决定不显示，否则可以继续显示。 例如：假设您将帧数阈值保持为4，那么您将检查前4帧中是否缺少检测，然后仅跳过显示检测，否则您可以显示。这在很大程度上消除了闪烁。 *本例假设它是实时视频，在非常连续的帧中不会发生太多变化

---

2） 计算与对象检测相关联的一些置信值，并检查同一位置（即在先前帧中检测到对象的位置）的连续帧中的该置信值。即使检测的置信度稍低，您也可以相应地将阈值设置得更低，这样它仍能检测到，因此闪烁被消除。

简短的答案是窗口和阈值。一个详细的答案是，有一个检测窗口。比如说，您的窗口大小是5，阈值是3。在窗口内，如果对象出现3次以上，则我们称该对象出现在窗口中的所有帧中。现在的问题是当场景发生变化时。i、 e.对象离开帧，即使在该帧之后，1或2帧将被分类为具有对象。我们需要找到解决办法。