自编码器autoencoder总结思考

一句话解释自编码器:输入与输出一致,通过神经网络实现,实现数据去噪或为可视化而降维

学习:深度学习之自编码器AutoEncoder

总结1:自监督而非无监督,因为输入同输出

总结2:数据有损,输出退化

总结3:自编码器较PCA更加灵活,输出了更有意思的投影.因为它一种网络,所以网络深度宽度可以随意调节,就能得到不同风格效果

自编码器autoencoder总结思考_第1张图片


思考1:这种实现方式是随机的,所以在去噪方法中是需要在encoder中加上噪声,比如高斯噪声等,但是这样就导致了后续去噪时只能去掉指定的噪声。没有通用性。

思考2:基于这样的弊端,举例一种实际情况,有一些图片因为曝光、色温干扰等情况如何处理,因为实际情况是多变的,不是简单高斯噪声去噪就能处理的。当然色温干扰可以通过白平衡等方式,也有自动曝光算法,但在某些情况运行效果较差,所以如此看来↓

总结:是一种经典算法,但是可能在实际应用中有待商榷。甚至不如简单的输入为原始图片,输出为人工处理后的图片,进行网络迭代效果好(但这样人工代价略大)

你可能感兴趣的:(#,deepLearning-学习)