不給全圖，只投喂CNN一些看上去毫無信息量的圖像碎片，就能讓模型學會圖像分類。

更重要的是，性能完全不差，甚至還能反超用完整圖像訓練的模型。

這么一項來自加州大學圣塔芭芭拉分校的新研究，這兩天引發不少討論。

咋地，這就是說，CNN根本無需理解圖像全局結構，一樣也能SOTA？

具體是怎么一回事，咱們還是直接上論文。

實驗證據

研究人員設計了這樣一個實驗：

他們在CIFAR-10、CIFAR-100、STL-10、Tiny-ImageNet-200以及Imagenet-1K等數據集上訓練ResNet。

特別的是，用于訓練的圖像是通過隨機裁剪得到的。

這個“隨機裁剪”，可不是往常我們會在數據增強方法中見到的那一種，而是完全不做任何填充。

舉個例子，就是對圖片做PyTorch的RandomCrop變換時，padding的參數填0。

得到的訓練圖像就是下面這個樣式的。即使你是閱圖無數的老司機，恐怕也分辨不出到底是個啥玩意兒。

訓練圖像如此碎片化，模型的識圖能力又能達到幾成？

來看實驗結果：

好家伙，在CIFAR-10上，用16×16的圖像碎片訓練出來的模型，測試準確率能達到91%，而用完整的32×32尺寸圖像訓練出來的模型，測試準確率也不過90%。

這一波，“殘缺版”CNN竟然完全不落下風，甚至還反超了“完整版”CNN。

要知道，被喂了碎片的CNN模型，看到的圖像甚至可能跟標簽顯示的物體毫無關系，只是原圖中背景的部分……

在STL-10、Tiny-Imagenet-200等數據集上，研究人員也得到了類似的結果。

不過，在CIFAR-100上，還是完整圖像訓練出來的模型略勝一籌。16×16圖像碎片訓練出的模型測試準確率為61%，而32×32完整圖像訓練出的模型準確率為68%。

所以，CNN為何會有如此表現？莫非它本來就是個“近視眼”？

研究人員推測，CNN能有如此優秀的泛化表現，是因為在這個實驗中，維度詛咒的影響被削弱了。

所謂維度詛咒（curse of dimensionality），是指當維數提高時，空間體積提高太快，導致可用數據變得稀疏。

而在這項研究中，由于CNN學習到的不是整個圖像的標簽，而是圖像碎片的標簽，這就在兩個方面降低了維度詛咒的影響：

圖像碎片的像素比完整圖像小得多，這減少了輸入維度

訓練期間可用的樣本數量增加了

生成熱圖

基于以上實驗觀察結果，研究人員還提出以熱圖的形式，來理解CNN的預測行為，由此進一步對模型的錯誤做出“診斷”。

就像這樣：

這些圖像來自于STL-10數據集。熱圖顯示，對于CNN而言，飛機圖像中最能“刺激”到模型的，不是飛機本身，而是天空。

同樣，在汽車圖像中，車輪才是CNN用來識別圖像的主要屬性。

論文地址： https://arxiv.org/abs/2205.10760

審核編輯 ：李倩