DLT(deep learning tracker) 2次分析

    dlt利用1million样本用9层的稀疏自编码机进行线下训练的过程暂不讨论。重点放在，当用稀疏自编码机的encoder部分+sigmoid层的几次训练。

    1.第一帧时，对encoder+sigmoid层进行初次训练时，自采样110个样本（10个正例样本、100个负例样本），采用前向网络、BP算法、梯度下降算法等进行训练实质：进行批梯度下降算法。学习速率(步长)rate=0.01；梯度的实际求解：利用前向神经网络的输出残差结合BP算法进行求解；10个样本为一批，每次步参数的优化，用110个样本，共进行11次；第一次求sigmoid层200多参数时，设置的迭代次数为20。

    2.置信度<0.9时，正例样本进行更新同时重新采集负例样本进行更新训练。学习速率(步长)rate=0.01；梯度的实际求解：利用前向神经网络的输出残差结合BP算法进行求解；10个样本为一批，每次步参数的优化，用110个样本，共进行11次；更新sigmoid层200多参数时，设置的迭代次数为5。

   3.置信度>0.9时，直接进行下一帧的measure过程。