深度學習如何解決低信噪比下的檢測識別問題？

建議嘗試一下深度殘差收縮網路。

深度殘差收縮網路是一種專門針對含雜訊數據的深度學習方法。它具體的做法是在深度學習模型中引入了軟閾值化，而且其閾值也是通過一個子網路自動設置的，見下圖：

深度殘差收縮網路原本是用在振動信號上的，在檢測識別上可能要有所調整。

Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht,Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, 2020, 16(7): 4681-4690.

參考鏈接：

https://github.com/zhao62/Deep-Residual-Shrinkage-Networks

https://www.cnblogs.com/uizhi/p/12239690.html

https://my.oschina.net/u/4505302/blog/3230965

不知道是哪一類的檢測，如果是經典的那些信號檢測，特別是信號和雜訊的分布已知，按照經典的信號檢測方法比如MAP得到的是理論的最優值，用深度這些方法也沒有辦法獲得更好的性能。在資訊理論和控制領域，香農、維納等人的工作是非常卓越的，就像通過深度的的自動編碼也不能獲得超越山農極限。但是特殊問題和場景下深度學習還是會有可能有應用的。

再問題之前，推薦去看一下。技術博客

謝邀！先盡量做圖像處理，加強待識別區域的特徵！

信噪比低一般通過圖像增強或者用魯棒性強的方法檢測。但如果圖像質量太差我覺得還是從採集圖像的部分開始改進更靠譜。

瀉藥，猜測一下，具體沒操作過。個人感覺應該是先對圖片做處理，比如用均值或者眾數或者符合某種分布的數據填充，然後在此基礎上在做識別。

先用MATLAB處理。