自适应阈值 分类: 深度学习基础自适应阈值 定义 根据数据统计特性（如均值、标准差）动态确定阈值的二值化方法，而非使用固定阈值 数学形式 B=I(x>μ+k⋅σ)\mathcal{B} = \mathbb{I}(x > \mu + k \cdot \sigma)B=I(x>μ+k⋅σ) 其中 μ\muμ 为均值，σ\sigmaσ 为标准差，kkk 为灵敏度系数。 核心要点 相比固定阈值，能自适应数据分布的变化 kkk 控制阈值灵敏度：k>0k > 0k>0 保守（只保留显著区域），k<0k < 0k<0 宽松（排除明显低响应区域） 广泛用于图像分割、特征选择、异常检测等 代表工作 VLA-IAP: 用自适应阈值将语义/运动连续分数转为二值掩码 相关概念 Sigmoid