待验证50% 置信事实精确时间

YOLO模型在跨数据集部署时性能急剧下降，主要原因是两个数据集的标注规范不同（固定尺寸边界框 vs. 贴合病灶轮廓的边界框）。

1

来源数

50%

置信度

长期有效

时效性

2026/10/24

首次发现

来源

冠脉造影狭窄检测：高召回率优先的实战思路

涉及实体

YOLOmodel 边界框标注concept

相关事实

待验证LOOCV在高杠杆数据上方差较大，且当观测间存在相关性时可能高估泛化性能。66% 相似待验证Faster R-CNN 属于两阶段检测器，精度高但速度慢；YOLO 把检测统一成回归问题，速度极快。两者差异本质上是“先找再判”与“一步到位”的权衡，YOLO 系列在实时场景更受欢迎，两阶段方法在精度敏感的学术基准上仍有一席之地。65% 相似待验证在狭窄缺陷的数据上做微调，有时会让模型产生广泛的失准（broadly misaligned）63% 相似待验证LoRA的低秩假设构成容量上限，当新模态所需特征变换不能被低秩矩阵有效捕捉时会限制模型表达力62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1092400

API

curl https://kongchang.com/api/v1/knowledge/claims/1092400

MCP

get_claim(id=1092400)