不给全图，只投喂CNN一些看上去毫无信息量的图像碎片，就能让模型学会图像分类。
更重要的是，性能完全不差，甚至还能反超用完整图像训练的模型。
这么一项来自加州大学圣塔芭芭拉分校的新研究，这两天引发不少讨论。
咋地，这就是说，CNN根本无需理解图像全局结构，一样也能SOTA？
具体是怎么一回事，咱们还是直接上论文。
研究人员设计了这样一个实验：
他们在CIFAR-10、CIFAR-100、STL-10、Tiny-ImageNet-200以及Imagenet-1K等数据集上训练ResNet。
特别的是，用于训练的图像是通过随机裁剪得到的。
这个“随机裁剪”，可不是往常我们会在数据增强方法中见到的那一种，而是完全不做任何填充。
举个例子，就是对图片做PyTorch的RandomCrop变换时，padding的参数填0。
得到的训练图像就是下面这个样式的。即使你是阅图无数的老司机，恐怕也分辨不出到底是个啥玩意儿。
训练图像如此碎片化，模型的识图能力又能达到几成？
来看实验结果：
好家伙，在CIFAR-10上，用16×16的图像碎片训练出来的模型，测试准确率能达到91%，而用完整的32×32尺寸图像训练出来的模型，测试准确率也不过90%。
这一波，“残缺版”CNN竟然完全不落下风，甚至还反超了“完整版”CNN。
要知道，被喂了碎片的CNN模型，看到的图像甚至可能跟标签显示的物体毫无关系，只是原图中背景的部分……
在STL-10、Tiny-Imagenet-200等数据集上，研究人员也得到了类似的结果。
不过，在CIFAR-100上，还是完整图像训练出来的模型略胜一筹。16×16图像碎片训练出的模型测试准确率为61%，而32×32完整图像训练出的模型准确率为68%。
所以，CNN为何会有如此表现？莫非它本来就是个“近视眼”？
研究人员推测，CNN能有如此优秀的泛化表现，是因为在这个实验中，维度诅咒的影响被削弱了。
所谓维度诅咒（curse of dimensionality），是指当维数提高时，空间体积提高太快，导致可用数据变得稀疏。
而在这项研究中，由于CNN学习到的不是整个图像的标签，而是图像碎片的标签，这就在两个方面降低了维度诅咒的影响：
- 图像碎片的像素比完整图像小得多，这减少了输入维度
- 训练期间可用的样本数量增加了
基于以上实验观察结果，研究人员还提出以热图的形式，来理解CNN的预测行为，由此进一步对模型的错误做出“诊断”。
就像这样：
这些图像来自于STL-10数据集。热图显示，对于CNN而言，飞机图像中最能“刺激”到模型的，不是飞机本身，而是天空。
同样，在汽车图像中，车轮才是CNN用来识别图像的主要属性。
最后，介绍一下论文作者。
论文一作Vamshi Madala小哥，目前是加州大学圣塔芭芭拉分校的一年级博士生。主要研究兴趣是深度学习理论框架，以及用计算机视觉来对理论研究进行测试。
论文的另一位作者是小哥的导师Shivkumar Chandrasekaran，他是加州大学圣塔芭芭拉分校电气与计算机工程教授，博士毕业于耶鲁大学数值分析专业。
论文地址：
https://arxiv.org/abs/2205.10760
— 完 —
“
