卷积神经网络在 CIFAR-10 分类中的经验性剖析与集成优化
计算机视觉与模式识别
2026-04-28 v1 人工智能
摘要
卷积神经网络（CNN）仍是图像分类中的核心方法，但其性能高度依赖于架构和训练选择。本文提出了一种基于经验性剖析的 CNN 在 CIFAR-10 基准测试上的优化方法。该研究评估了 17 项渐进式修改，涉及训练时长、学习率调度、dropout 配置、池化策略、网络深度、滤波器布局以及稠密层设计。目标是识别哪些改动能提升泛化性能，哪些则增加复杂度而不提升性能。基线模型达到 79.5% 的测试准确率。延长训练时长稳定地改善了性能，而若干结构性 redesign 则在增加架构变种的同时降低了准确率。基于最强的单一配置构建了加权集成，在减小数据集设置下达到 86.38% 的准确率，在使用完整 CIFAR-10 数据集训练时达到 89.23%。这些结果表明，CNN 基于分类的性能提升更多取决于对训练和架构修改的谨慎经验性选择，而非盲目增加深度或参数数量。该研究因此凸显了针对小图像分类的剖析导向优化和集成学习的实际价值。
引用
@article{arxiv.2604.23861,
title = {Empirical Ablation and Ensemble Optimization of a Convolutional Neural Network for CIFAR-10 Classification},
author = {Naser Khatti Dizabadi},
journal= {arXiv preprint arXiv:2604.23861},
year = {2026}
}