机器之心专栏
作者：张聪穆
李学龙教授在IEEE期刊上在线发表“正激励噪声”《Positive-IncentiveNoise》。
在日常生活中，噪声无处不在，通常会给人及周围环境造成不良影响。比如，汽车产生的噪声给人们的正常工作和休息带来了不少困扰。然而，任何事物都有两面性。在一个不小心睡过了的早上，汽车噪声却会给人们释放出正向积极的信号：迟到了，该上班了。再例如，装修房子时电钻声非常嘈杂，对周边业主造成了干扰。但仔细听，从噪声中能分辨出钻的是木头还是钢铁，也能判断出电钻运转是否正常。这些常见的现象说明了一个本质问题：噪声也可以是有用的，以往我们可能错怪噪声了。
在各式各样的科学研究的方方面面中，噪声也大量存在，如仪器精度不足导致的仪器误差、人为操作中的失误导致的偏差、极端环境等外界干扰导致的信息失真等。研究者普遍认为噪声通常会对执行的任务产生不良影响，这已成为一个约定俗成的假设。因此，围绕着“降噪”这一核心任务产生了大量的研究工作。然而，西北工业大学李学龙教授团队在执行信号探测和处理任务时通过实验观察验证，对这一假设产生了质疑：科学研究中的噪声真的总是有害的吗？
恰如图1所示，在一个图像智能分类系统中，对图像加入适量的噪声后再训练，识别准确率反而上升了。这给我们带来一点启发：图像中加入一些噪声，而不是去除，再执行图像分类任务，可能效果会更好。只要噪声对目标的影响远小于噪声对背景的影响，产生“伤敌（背景噪声）一千，自（目标信号）损八百”的效果就有意义，因为任务追求的是高信噪比。从本质上来说，面对传统分类问题，在特征后随机加上适度的噪声，相当于升高了特征维度，某种意义上说，类似是给特征增加了一个核函数，实际上完成了一种低维空间到高维空间的映射，使数据更可分，从而提高了分类效果。
图1图像识别准确率随图像噪声强度的增大而“反直觉”地呈现出“先增后减”的关系。
更具体的任务的例子（图2），从遥感影像中做飞机检测，一般都是把飞机紧紧框住，然后做模型训练。如果把飞机的框适当增大一些，把跑道等干扰信息加进来，模型训练效果反而会更好。为什么会出现这种现象呢？这是因为跑道等“噪声”和目标之间存在语义相关性，从而对完成飞机检测任务起到了正面的驱动作用，提高了检测准确率。
图2在传统目标检测中，一般认为检测框越小越好；然而在检测飞机时，适度扩大检测框引入跑道、停机坪等背景信息能够提高检测效果。
经过对这类现象分析验证，李学龙教授的论文《Positive-incentiveNoise》已在期刊IEEETransactionsonNeuralNetworksandLearningSystems(TNNLS)上在线发表。
全文下载链接：
转载请注明：http://www.0431gb208.com/sjszlfa/4708.html
