CNN 通过在图像块上学习避免维度灾难
计算机视觉与模式识别
2025-07-17 v4 人工智能
机器学习
摘要
尽管卷积神经网络（CNNs）在众多计算机视觉任务中取得成功并具备非凡的泛化性能，若干预测 CNN 泛化误差的尝试迄今仅限于后验分析。解释深度神经网络泛化性能先验理论大多忽略了卷积性这一方面，且未说明为何 CNN 能够在图像分类等图像维度达数千的计算机视觉任务上看似克服维度灾难。我们的工作试图在 CNN 作用于图像块域的假设下解释 CNN 在图像分类上的泛化性能。据我们所知，我们是首个推导 CNN 泛化误差先验误差界的工作，并给出了支持我们理论的定量与定性证据。我们基于块的理论也解释了为何 Cutout、CutMix 和随机裁剪等数据增强技术能有效改善 CNN 的泛化误差。
引用
@article{arxiv.2205.10760,
title = {CNNs Avoid Curse of Dimensionality by Learning on Patches},
author = {Vamshi C. Madala and Shivkumar Chandrasekaran and Jason Bunk},
journal= {arXiv preprint arXiv:2205.10760},
year = {2025}
}
备注
Reorganization