Huber robust error function

最新推荐文章于 2024-04-03 11:34:40 发布

圣书

最新推荐文章于 2024-04-03 11:34:40 发布

阅读量2w

点赞数 9

分类专栏：算法与数学文章标签：图像处理计算机视觉算法

本文链接：https://blog.csdn.net/u010922186/article/details/41217847

版权

算法与数学专栏收录该内容

13 篇文章 4 订阅

订阅专栏

目前学习图像拼接的时候碰到的Huber robust error function但是找了好多资料都没有看到相应的资料，这里总结一下，本人在阅读文献之后的理解。

在统计学习角度，Huber损失函数是一种使用鲁棒性回归的损失函数，它相比均方误差来说，它对异常值不敏感。常常被用于分类问题上。

下面先给出Huber函数的定义：

这个函数对于小的a值误差函数是二次的，而对大的值误差函数是线性的。变量a表述residuals，用以描述观察值与预测值之差： $a = y - f(x)$ ，因此我们可以将上面的表达式写成下面的形式：

Huber loss (green, $\delta=1$ ) and squared error loss (blue) as a function of $y - f(x)$

两个最常用的损失函数是平方损失（L2）， $L(a) = a^2$ ，和绝对值损失（L1） $L(a)=|a|$ 。然而绝对损失在特定点上不可微分，a=0，在a=0点上对它等于区间[-1,+1]的凸次微分是可微分的；绝对值损失函数导致了中值无偏的估计器，它可以通过线性编程为特定的数据集评估。平方损失有着它的缺点：它倾向于对异常值敏感--当累加一组a(as in $\sum_{i=1}^n L(a_i)$ )时,当数据时重尾分布是（根据估计理论，中值的渐进相关效率会在重尾分布时表现的较差）采样均值会受少量的较大的值的影响。