int/our_knp
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

Log coarse-feature results and classifier diagnosis

Browse source 
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
int 2026-10-14 20:10:27 +03:00
parent 334bfefa81
commit ab54a7c8d5
1 changed files with 13 additions and 0 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

13
changes-2026-10-14.md
View file

@ -253,3 +253,16 @@ KNP: `aug_v_B30k` 8940/10000 = 89,4% (ориентир `oo_v_base` 92,5%). Ус
| штрихи fine + аугм. B (`f_v_augB`, KNP 82,2%) | 81,0% | 74,8% | 71,9% | 68,6% | | штрихи fine + аугм. B (`f_v_augB`, KNP 82,2%) | 81,0% | 74,8% | 71,9% | 68,6% |
Вывод: мелкий пулинг не помог ни точности, ни устойчивости (сдвиг 2 px = целая клетка сетки 14×14). Порог не виноват (лучший 85,3% при 60). Запущен вариант `coarse` как у HOG: 8 направлений × 2 толщины, пулинг 5×5 шаг 4 → 16×7×7, масштаб 0,3842 (`fc_v_plain`, `fc_v_augB`). Вывод: мелкий пулинг не помог ни точности, ни устойчивости (сдвиг 2 px = целая клетка сетки 14×14). Порог не виноват (лучший 85,3% при 60). Запущен вариант `coarse` как у HOG: 8 направлений × 2 толщины, пулинг 5×5 шаг 4 → 16×7×7, масштаб 0,3842 (`fc_v_plain`, `fc_v_augB`).
### Признаки coarse и диагностика классификатора
KNP, validation: `fc_v_plain` 81,0%, `fc_v_augB` 79,5%. Симулятор (2000): coarse — как есть 79,4%, сдвиг 61,4→59,5%; coarse + B — 79,3% / 76,5% / 66,7% / 74,1%.
Диагностика: линейный классификатор (ridge, обычный код, только для оценки информативности входа), обучен на тех же 30 000:
| Вход | как есть | сдвиг 2 px | толще | тоньше |
| --- | --- | --- | --- | --- |
| пиксели | 85,3% | 57,2% | 76,6% | 56,4% |
| штрихи fine | 95,2% | 88,9% | 90,7% | 59,6% |
| штрихи coarse | 96,2% | 91,2% | 93,3% | 66,2% |
**Вывод:** признаки штрихов информативны и устойчивы к сдвигу и толщине; узкое место — классификатор из колонок STDP. На пикселях он лучше линейного (трафареты), на плотных признаках сильно хуже (79–86% против 95–96%). Дальше нужно улучшать обучение классификатора (дискриминативное: наказывать неверную колонку, дофамин в ResourceSTDP AltAI) или обучать выходной слой вне чипа и загружать веса в нейроны AltAI (решает пользователь).