游戏模型外包网站,定制网站开发哪里好,域名注册后怎么搭建网页,wordpress和shopify2022 TNNLS
中心思想是#xff1a;噪声并不一定是有害的
1 CV问题中的噪声
以图像分类为例 对图像加入适量的噪声后再训练#xff0c;识别准确率反而上升了 再以目标检测为例#xff1a; 从遥感影像中做飞机检测#xff0c;一般都是把飞机紧紧框住#xff0c;然后做…2022 TNNLS
中心思想是噪声并不一定是有害的
1 CV问题中的噪声
以图像分类为例 对图像加入适量的噪声后再训练识别准确率反而上升了 再以目标检测为例 从遥感影像中做飞机检测一般都是把飞机紧紧框住然后做模型训练。如果把飞机的框适当增大一些把跑道等干扰信息加进来模型训练效果反而会更好 可能是因为跑道等 “噪声” 和目标之间存在语义相关性从而对完成飞机检测任务起到了正面的驱动作用提高了检测准确率。
2 任务熵
噪声在获取、数据、特征、样本、决策等诸多层面都存在根据对完成任务是否存在正向驱动作用可将噪声划分为 “正激励噪声”Positive-incentive Noise, Pi/π-Noise和 “纯噪声”。 “正激励噪声” 指的是有用的噪声能对完成任务起到正面的驱动作用。“纯噪声” 则是无用、有害的噪声会妨碍任务的有效执行。为挖掘和利用正激励噪声论文提出“任务熵”Task EntropyH(J) 在任务给定的情况下任务熵的大小衡量了噪声ε与任务J之间 “互信息”Mutual Information的多少 互信息用来度量两个随机变量的 “共有信息”。任务熵作为一种熵也可以理解成描述混乱程度值越大表示越混乱当互信息大于0的时候噪声ε是正激励噪声会正向驱动任务J 此时H(J)表示没有噪声时候的任务熵它比H(J|ε)有噪声时候的任务熵大也就是说有了噪声之后反而混乱程度小 参考内容噪声总是有害吗西工大李学龙教授提出基于任务熵的数学分析框架 (qq.com)
