深度学习如何解决低信噪比下的检测识别问题？

建议尝试一下深度残差收缩网路。

深度残差收缩网路是一种专门针对含杂讯数据的深度学习方法。它具体的做法是在深度学习模型中引入了软阈值化，而且其阈值也是通过一个子网路自动设置的，见下图：

深度残差收缩网路原本是用在振动信号上的，在检测识别上可能要有所调整。

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.

参考链接：

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

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

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

不知道是哪一类的检测，如果是经典的那些信号检测，特别是信号和杂讯的分布已知，按照经典的信号检测方法比如MAP得到的是理论的最优值，用深度这些方法也没有办法获得更好的性能。在资讯理论和控制领域，香农、维纳等人的工作是非常卓越的，就像通过深度的的自动编码也不能获得超越山农极限。但是特殊问题和场景下深度学习还是会有可能有应用的。

再问题之前，推荐去看一下。技术博客

谢邀！先尽量做图像处理，加强待识别区域的特征！

信噪比低一般通过图像增强或者用鲁棒性强的方法检测。但如果图像质量太差我觉得还是从采集图像的部分开始改进更靠谱。

泻药，猜测一下，具体没操作过。个人感觉应该是先对图片做处理，比如用均值或者众数或者符合某种分布的数据填充，然后在此基础上在做识别。

先用MATLAB处理。