文章目录：
一、Ground True的介绍
二、图像中的Ground True的介绍
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
下面从机器学习说起，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。
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 。
Was this helpful?
6 / 2