• 本文回顾了使用0.05作为统计显著性的历史,0.1表示统计发生的概率很低,而0.01表示基本不会发生,而取0.05是比较合适的做法。
  • 使用的特征向量非常简单,坐标位置+Lab色彩空间+对比度+稀疏度+时间信息,用于表示视频的视觉信息和上下文信息。
  • 低精度表示使用更少的位bit来表示权重,在inference时影响并不大,但在训练时会显著的降低准确率,主要因为权重参数会在低精度下取整,导致误差变大。本文是斯坦福大学最新的研究,设计了一套新的随机梯度下降的变种算法,可以在使用低精度时,保持高准确性。