Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 2 июня 2026 (v1), последний пересмотренный вариант - 2 октября 2026 года (эта версия, v2)) Название: Low-Frequence Smortcuts in Texture-Driven Vister Learning View PDF HTML (экспериментальный) резюме: Неуральные сети страдают от ускоренного обучения, где извлеченные элементы хорошо обобщают набор учебных материалов, но не распределение (ID) или тесты вне распределения (OU). Все существующие исследования основаны на нескольких стандартных контрольных показателях, которые зависят от формы. Вместе с тем многие области применения ориентированы на текстуру. В этой работе мы представляем анализ ускоренного обучения по областям, в которых используется текстура, и сравниваем его с анализом стандартного контрольного показателя. Мы показываем, что приводимые текстурой области страдают от низкочастотных коротких путей. Они принимают большинство своих решений, основанных на нескольких низкочастотных компонентах (LFC) с диспропорциональным спектральным поведением, несмотря на то что высокочастотные компоненты (HFCs) имеют более высокую способность прогнозирования. Скручивание ЛФУ из комплектов учебных и тестовых наборов смягчает сокращение сокращения и обеспечивает более сбалансированное спектральное поведение, повышая точность идентификации до 10%, а точность СУД - на 40% в случае алгоритмических изменений в домене и реальном мире. Мы показываем, что на базовых моделях общего назначения и конкретных доменов…
Низкая степень гибкости, короткие отрезки в визуальном обучении текстуру-дривен
arXiv: 2606.03493v2 Тип уведомления: заменить резюме: Невральные сети страдают от обучения по ускоренному пути, в которых полученные знания хорошо обобщаются до набора учебных материалов, но не для тестов на внутреннее распределение (ID) или вне распределения (OD). Все существующие исследования основаны на нескольких стандартных контрольных показателях, которые зависят от формы. Вместе с тем многие области применения ориентированы на текстуру. В этой работе мы представляем анализ ускоренного обучения по областям, в которых используется текстура, и сравниваем его с анализом стандартного контрольного показателя. Мы показываем, что приводимые текстурой области страдают от низкочастотных коротких путей. Они принимают большинство своих решений, основанных на нескольких низкочастотных компонентах (LFC) с диспропорциональным спектральным поведением, несмотря на то что высокочастотные компоненты (HFCs) имеют более высокую способность прогнозирования. Использование ЛФУ в учебных и тестовых наборах позволяет уменьшить сокращение сокращения и обеспечивает более сбалансированное спектральное поведение, повышая точность идентификации до 10%, а точность СУ до 40% в алгоритмическом и реальном мире shi