软阈值化是将接近于0的特征置为0。
但是,如果接近于0的特征是有用特征,这该怎么办呢?
我们看传统的小波降噪是怎么办的?通过小波变换,在变换形式里,使得接近于0的特征是噪声特征,并且使有用特征的幅值较大。
小波变换为什么能够提高有用特征的幅值、降低噪声特征的幅值呢?这就需要去学小波了。
如何确保小波变换能够达到这个效果呢?我们需要精心设计【小波函数】。但是这很难。
小波变换的本质是卷积,这与卷积层类似。卷积这种运算本身就具备提高有用特征幅值、降低噪声特征幅值的潜力。
在深度学习里,我们不需要人工设计小波函数了。卷积层的卷积核是通过端对端的训练得到的。
此处的卷积层,起码具有提高有用特征幅值、降低噪声特征幅值的潜力。
如果特征图里完全没有噪声呢?阈值有可能被优化成0,或者接近于0的数字。这样软阈值化就相当于不存在了。
关于软阈值化的讨论,也可以看这个博客:
https://blog.csdn.net/ABCD_202020/article/details/105801032