本文探讨了MSE（均方误差）作为损失函数的局限性，指出它忽视了图像特征分布。作者提出可能的改进思路，如替代求和方式以考虑图像原始特征，并讨论了锐化操作在半监督学习中的应用及其潜在改进。
No.1： MSE（Mean Squared Error）
公式：
以单个样本举例：假设a=σ(z), where z=wx+b
利用SGD算法优化损失函数，通过梯度下降法改变参数从而最小化损失函数：
链式原则对两个参数权重和偏置进行求偏导：
MSE作为像素级的损失函数，只考虑了像素之前的差距，而并没有考虑整张图像的特征分布，比如在图像超分辨率任务中，可能得到很高的PSNR值，但是并不符合我们人的视觉高观，细节纹理很多信息都被破坏了。
那我觉得关键问题是如何把图像原始特征分布考虑进去呢？我反正
最低0.47元/天 解锁文章
1293
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
