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。
推薦閱讀: