数据

成因：缺失值可能由于硬件故障、网络中断或存储损坏等原因导致某些文件或字段丢失。

图像数据体现：某些照片或帧可能无法解码，或者拍摄过程中可能漏掉某段场景。

影响：少量缺失数据影响较小，但若缺失比例较高，会严重扭曲数据分布，影响模型性能。在深度学习中，尤其是图像或文本任务，缺失数据常常意味着无法使用该样本。

处理：一些结构化数据中的缺失值可以被某些算法（如决策树、随机森林）忽略或自动处理，但图像数据中的缺失往往无法弥补。
定义：异常值指数据中显著偏离总体分布的极端样本，可能是采集错误，也可能是真实的稀有情况。

图像数据体现：例如，极端天气（暴雨、沙尘暴等）或飞行高度异常的无人机拍摄图像。

影响：如果异常值反映真实世界的极端情况，则应保留并加以学习；如果只是错误数据，则会让模型难以收敛，甚至出现误判。

检测：可以通过统计学方法（如3σ原则、箱形图）、机器学习方法（如聚类、孤立森林）或人工审核来定位。
图像中的体现：如高ISO导致的噪点、运动模糊、压缩伪影等，或传感器坏点、镜头污渍等。

影响：噪声会掩盖图像中的真实特征，尤其在边缘检测、目标检测等任务中，噪声会干扰关键特征的提取。

区分噪声与有用特征：某些“花纹”或“复杂背景”看似噪声，但实际上可能是有用的特征（如道路破损、积水等），清洗时需要小心判断。