大家好,欢迎来到IT知识分享网。
经常会在一些项目中,遇到Ground Truth,例如把其中的某种图像类型叫做Ground True, 下面介绍一下:
一、Ground True的介绍
下从机器学习说起,什么叫做Ground True,毕竟深度学习也是机器学习的一个分支;
机器学习包括
- 有监督学习(supervised learning)
- 无监督学习(unsupervised learning)
- 半监督学习(semi-supervised learning)
在有监督学习
中,数据是有标注
的,以(x, t)的形式出现,其中x是输入数据,t是标注
.正确的t标注
是ground truth
, 错误的标记则不是。(也有人将所有标注数据都叫做ground truth)由模型函数的数据则是由(x, y)的形式出现的。其中x为之前的输入数据,y为模型预测的值
。标注会和模型预测的结果作比较
。在损耗函数(loss function / error function)中会将y 和 t 作比较,从而计算损耗(loss / error)。 比如在最小方差中:
因此如果标注数据不是ground truth,那么loss的计算将会产生误差,从而影响到模型质量。
比如输入三维,判断是否性感:
1、 错误的数据
标注数据1 ( (84,62,86) , 1),其中x =(84,62,86), t = 1 。
标注数据2 ( (84,162,86) , 1),其中x =(84,162,86), t = 1 。 (这里的t=1 标签是错误的,正确应该是 -1
)
这里标注数据1是ground truth, 而标注数据2不是。
预测数据1 y = -1
预测数据2 y = -1
预测的结果和数据标注打的便签计算损失:
2、 正确的数据
标注数据1 ( (84,62,86) , 1),其中x =(84,62,86), t = 1 。
标注数据2 ( (84,162,86) , 1),其中x =(84,162,86), t = -1 。 (改为ground truth)
这里标注数据1和2都是ground truth。
预测数据1 y = -1
预测数据2 y = -1
由于使用错误的数据,对模型的估计比实际要糟糕。另外,标记数据还被用来更新权重,错误标记的数据会导致权重更新错误。因此使用高质量的数据是很有必要的。在半监督学习中,对标记数据也要进行比较。
‘总结成一句话:’
Ground Truth: 就是指正确打标签的训练数据
或 简单来说就是有效的正确的数据
二、图像中的Ground True的介绍
例如在一些抠图的项目中,很多人就把Alpha图叫做Ground Truth,Alpha就可以理解成是输入的原始图片对应的Alpha图,也就是原始图对应的标签,或者说是给原始图片用Alpha打了一个标签,而正确的对应于原图的Alpha图就是 Ground Truth 。
♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/26065.html