用于有限数据图像分类的混沌 CNN

Anusree M; Akhila Henry; Pramod P Nair

用于有限数据图像分类的混沌 CNN

计算机视觉与模式识别 2026-04-17 v1 人工智能混沌动力学

作者: Anusree M , Akhila Henry , Pramod P Nair

摘要

卷积神经网络（CNN）在有限训练数据情境下常因过拟合和特征多样性不足而表现不佳。本文提出一种简单有效的基于混沌的特征转换方法，以不增加模型复杂度来提高 CNN 性能。该方法在分类层之前应用 logistic、skew tent 和 sine 映射对归一化特征向量进行非线性变换，从而重塑特征空间并提高类别可分性。该方法在灰度数据集（MNIST 和 Fashion-MNIST）以及一个 RGB 数据集（CIFAR-10）上进行评估，使用不同深度的 CNN 架构，在有限数据条件下。结果显示，在所有数据集上，独立（SA）CNN 均获得一致的改进。值得注意的是，在 40 类样本 per class 时，使用 skew tent 映射的 3 层 CNN 在 MNIST 上的最大性能提升为 5.43%。在 Fashion-MNIST 上，使用 sine 映射的 3 层 CNN 在每类 50 个样本时实现了 9.11% 的更高提升。在 CIFAR-10 上，使用 skew tent 映射在每类 200 个样本时获得了 7.47% 的显著提升。不同混沌映射之间的一致性改进表明，性能提升是由混沌系统的非线性和动力学特性所驱动。该方法计算高效，无需额外的可训练参数，可轻松集成到现有的 CNN 架构中，成为数据稀缺图像分类任务的实用解决方案。

关键词

卷积神经网络基于混沌的特征转换有限数据 logistic 映射 skew tent 映射 sine 映射类别可分性

引用

@article{arxiv.2604.14645,
  title  = {Chaotic CNN for Limited Data Image Classification},
  author = {Anusree M and Akhila Henry and Pramod P Nair},
  journal= {arXiv preprint arXiv:2604.14645},
  year   = {2026}
}

用于有限数据图像分类的混沌 CNN

摘要

关键词

引用

相关论文