目录
3.1.2 Details of Generated Noise
3.2.2 Classification (Support Vector Machine ) 分类(支持向量机)
1. INTRODUCTION
1.1 Motivation
Noise can be generated from different phases:
(1) During the low-level data acquisition
, noises could come from instrumental errors;
在低水平数据获取阶段,噪音的四个产生途径可能来自仪器误差;
(2) at the
data
level
, noises may be caused by the differences of data storage and representation;
在数据获取阶段,会由于数据存储和表示的不同而产生噪音;
(3) at the
feature level
, noises are usually generated by the imprecise modelings;
在特征水平上,噪音通常由不精确的建模产生;
(4) there may exist
instance-level
noises as well,
i.e.
, irrelevant data points.
还可能存在实例级 噪音,即不相关的数据点。
But is noise always harmful?
NO!
1.2 Examples
下面有两个例子证明了噪声不总是对图像有负作用的:
1. Traffic noises. 声学任务领域汽车噪音的影响,因为汽车噪音 in the morning rush hour and midnight are clearly different, which can provide coarse information about time. 在大多数声学识别任务中,汽车噪声是由于接收效果不理想而产生的附加信号。然而,对于时间相关的任务,汽车噪音提供了额外的有益信息。
2. Gum example. 在墙上的口香糖和钉子本来都是一种噪音,但口香糖可以帮忙去除钉子,也就是说一种噪音可以帮忙去除另一种噪音。
1.3 Conclusion
所以人们意识到了噪音不总是mislead the target task in all cases,进而对噪音展开了研究。
根据任务熵的定义,将常规定义的噪声分为两类。一种是降低任务复杂度的噪声,即正激励噪声(pi噪声或π噪声)。另一种是对任务无用的噪声,即纯噪声。
2. POSITIVE-INCENTIVE NOISE
2.1 信息论的动机
对噪声的严格讨论应该基于任务,在讨论任务和噪声之间的关系之前,如何在数学上测量任务T是第一个关键问题。借助信息论,可以定义T的熵来表示T的复杂度。从形式上讲,H(T)越小意味着任务越简单。
下面定义任务T与噪声的互信