Stochastic Subsampling With Average Pooling
POSTECH（浦项科技大学）
针对Dropout导致输出不一致并可能降低性能的问题，提出stochastic average pooling模块，在池化中引入随机性以实现无性能下降的正则化效果，可轻松插入现有架构并在多种任务、数据集和模型上取得一致提升。
2024-09-25 cs.AI cs.CV cs.LG
A Rotation Meanout Network with Invariance for Dermoscopy Image Classification and Retrieval
Beihang University（北京航空航天大学）；Shanghai Aerospace Control Technology Institute（上海航天控制技术研究所）；Peking Union Medical College Hospital（北京协和医院）；Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院）
计算机辅助诊断（CAD）系统可为皮肤病的临床诊断提供参考依据。卷积神经网络（CNN）不仅可以提取颜色和形状等视觉元素，还可以提取语义特征。因此，他们在皮肤镜图像的许多任务中取得了很大的改进。皮肤镜的成像没有主方向，表明数据集中存在大量的皮肤病变旋转。然而，CNN缺乏旋转不变性，这必然会影响CNN对旋转的鲁棒性。为了解决这个问题，我们提出了一个旋转均值（RM）网络从皮肤镜图像中提取旋转不变的功能。在RM中，每一组旋转的特征图对应于一组权值共享卷积的输出，并使用均值输出策略将它们融合以获得最终的特征图。通过理论推导，提出的RM网络是旋转等变的，可以提取旋转不变的特征时，遵循的全球平均池（GAP）操作。在皮肤镜图像的分类和检索任务中，提取的旋转不变特征可以更好地表示原始数据。RM是一种通用操作，不改变网络结构或增加任何参数，可以灵活地嵌入CNN的任何部分。在皮肤镜图像数据集上进行了广泛的实验。实验结果表明，该方法在皮肤镜图像分类和检索任务中的性能优于其他抗旋转方法，表明了旋转不变性在皮肤镜图像领域的应用潜力.
2022-11-02 cs.CV
Isometric Transformation Invariant Graph-based Deep Neural Network
EPFL（洛桑联邦理工学院）
学习视觉数据的变换不变表示是计算机视觉中的一个重要问题。深度卷积网络在图像和视频分类任务中表现出了显著的效果。然而，他们只取得了有限的成功进行几何变换的图像分类。在这项工作中，我们提出了一种新的基于变换不变图的网络（TIGraNet），它学习基于图的特征，这些特征对输入图像的旋转和平移等等距变换具有固有的不变性。特别是，图像被表示为图上的信号，这允许用图谱卷积和动态图池化层替换深度网络中的经典卷积和池化层，这些层共同有助于等距变换的不变性。我们的实验表明，与对数据中的变换非常敏感的经典架构相比，测试集的旋转和平移图像具有高性能。我们的框架的固有不变性提供了关键的优势，例如增加对数据变化的弹性和有限训练集的持续性能。我们的代码可在线获取。
2018-08-21 cs.CV
SPIN: Simplifying Polar Invariance for Neural networks Application to vision-based irradiance forecasting
University of Cambridge（剑桥大学）；ENGIE Lab CRIGEN（ENGIE CRIGEN实验室）；MINES ParisTech（巴黎高等矿业学院）
由池化操作引起的平移不变性是卷积神经网络的固有属性，其促进了许多计算机视觉任务，例如分类。然而，为了利用旋转不变任务，卷积架构需要特定的旋转不变层或广泛的数据增强，以从给定空间配置的不同旋转版本中学习。将图像展开到其极坐标中提供了更明确的表示以训练卷积架构，因为旋转不变性变为平移，因此可以从单个图像学习给定场景的视觉上不同但在其他方面等效的旋转版本。我们通过两个常见的基于视觉的太阳辐照度预测挑战（即使用地面拍摄的天空图像或卫星图像）表明，该预处理步骤通过标准化场景表示显着改善了预测结果，同时与使用旋转增强数据相比，将训练时间减少了4倍。此外，这种变换放大了旋转中心周围的区域，从而获得更准确的短期辐照度预测。
2022-04-08 cs.CV
Batch-normalized Maxout Network in Network
National Chiao Tung University（国立交通大学）
本文报告了一种新型的深度架构，称为Maxout网络In Network（MIN），它可以增强模型的可区分性并促进感受野内的信息抽象过程。建议的网络采用最近开发的网络中的网络结构，滑动一个通用的逼近器，多层感知器（MLP）与整流器单元，准确的功能框架。代替MLP，我们采用maxout MLP来学习各种分段线性激活函数，并调解使用整流器单元时可能发生的梯度消失的问题。此外，批量归一化被应用以通过预调节模型来减少最大输出单元的饱和度，并且dropout被应用以防止过拟合。最后，在所有池化层中使用平均池化来正则化maxout MLP，以便于在每个感受野中进行信息提取，同时容忍对象位置的变化。由于平均池保留了局部块中的所有特征，因此所提出的MIN模型可以在训练过程中抑制不相关的信息。我们的实验证明了MIN模型应用于MNIST，CIFAR-10和CIFAR-100数据集时的最新分类性能，以及SVHN数据集的可比性能。
2015-11-09 cs.CV cs.LG
Scale generalisation properties of extended scale-covariant and scale-invariant Gaussian derivative networks on image datasets with spatial scaling variations
KTH Royal Institute of Technology（皇家理工学院）
本文深入分析了高斯导数网络在空间尺度变化图像数据集上的尺度泛化特性，通过引入平均池化、空间最大池化和尺度通道dropout等扩展，显著提升了非中心目标定位能力、性能及可解释性。
2025-03-25 cs.CV cs.LG
A Novel Local Focusing Mechanism for Deepfake Detection Generalization
Jiangxi Normal University, China（江西师范大学）；Swansea University, United Kingdom（斯旺西大学）
针对深度伪造检测泛化能力差的问题，提出新型局部聚焦机制（LFM），通过显著性网络和Top-K池化选择关键局部伪造线索，结合两种正则化技术，在跨类别和生成域检测中准确率及平均精度优于现有方法，为跨域检测设定新基准。
2025-08-23 cs.CV
Regularization With Stochastic Transformations and Perturbations for Deep Semi-Supervised Learning
University of Utah（犹他大学）
有效的卷积神经网络是在大量标记数据集上训练的。然而，创建大型标记数据集是一项非常昂贵且耗时的任务。半监督学习使用未标记的数据来训练具有更高准确度的模型，当有一组有限的标记数据可用时。在本文中，我们考虑的问题，半监督学习与卷积神经网络。诸如随机数据增强、丢弃和随机最大池化等技术为使用梯度下降训练的分类器提供了更好的泛化和稳定性。由于这些技术的不确定性行为，单个样本多次通过网络可能会导致不同的预测。我们提出了一个无监督的损失函数，它利用了这些方法的随机性，并最小化训练样本多次通过网络的预测之间的差异。我们在几个基准数据集上评估了所提出的方法。
2016-06-14 cs.CV
Graph-based Isometry Invariant Representation Learning
学习视觉数据的变换不变表示是计算机视觉中的一个重要问题。深度卷积网络在图像和视频分类任务中表现出了显著的效果。然而，他们只取得了有限的成功进行几何变换的图像分类。在这项工作中，我们提出了一种新的基于变换不变图的网络（TIGraNet），它学习基于图的特征，这些特征对输入图像的旋转和平移等等距变换具有固有的不变性。特别是，图像被表示为图上的信号，这允许用图谱卷积和动态图池化层替换深度网络中的经典卷积和池化层，这些层共同有助于等距变换的不变性。我们的实验表明，与对数据中的变换非常敏感的经典架构相比，测试集的旋转和平移图像具有高性能。我们的框架的固有不变性提供了关键的优势，例如增加对数据变化的弹性和有限训练集的持续性能。
2017-03-01 cs.CV cs.LG
Offline Handwritten Chinese Text Recognition with Convolutional Neural Networks
Intel Corp.（英特尔公司）
基于深度学习的方法一直主导着不同和多语言场景中的文本识别任务。脱机手写体中文文本识别（HCTR）是一项极具挑战性的任务，因为它涉及成千上万的字符、多变的书写风格和复杂的数据汇集过程。近年来，无递归结构的文本识别以其高度的并行性和可比较的结果而备受关注。在本文中，我们只使用卷积神经网络建立模型，并使用CTC作为损失函数。为了减少过拟合，我们在每个最大池化层之后应用dropout，并在线性层之前的最后一个层上应用极高的速率。选择CASIA-HWDB数据库来调整和评估所提出的模型。以现有的文本样本为模板，随机选取孤立的字符样本，合成更多的文本样本进行训练。我们最终在ICDAR 2013竞赛集上实现了6.81%的字符错误率（CER），这是在没有语言模型校正的情况下最好的公开结果。
2020-06-28 cs.CV
Impact of Tuning Parameters in Deep Convolutional Neural Network Using a Crack Image Dataset
Korea Advanced Institute of Science & Technology, KAIST（韩国科学技术院）；Uttara University（乌塔拉大学）；Woosong University（又松大学）
本文通过裂纹图像数据集实验研究了池化、激活函数和优化器等调参参数对DCNN分类性能的影响，发现最大池化配合adam优化器和tanh激活函数可获得更优性能。
2025-05-30 cs.AI cs.CV cs.LG
Convolutional Neural Networks In Convolution
RDF International School（RDF国际学校）
目前，越来越深的神经网络已被应用于提高其准确性。相比之下，我们提出了一种新的更广泛的卷积神经网络（CNN）架构，受多列深度神经网络和网络中的网络（NIN）的启发，旨在提高准确性，而无需输入数据变形。在我们的架构中，即“卷积中的CNN”（CNNIC），一个小的CNN，而不是原来的广义线性模型（GLM）为基础的过滤器，卷积作为核的原始图像，作为该网络的特征提取层。然后通过全局平均池化层和softmax层进行进一步的分类。为了克服训练中的困难，包括收敛速度慢和过拟合，采用了丢弃和正交初始化。在MNIST上展示了说服性分类性能。
2018-10-09 cs.CV cs.LG cs.NE
Scale-Rotation-Equivariant Lie Group Convolution Neural Networks (Lie Group-CNNs)
针对现有CNN缺乏尺度-旋转联合等变性的问题，提出基于SIM(2)李群的Lie Group-CNN，通过李群空间映射与李代数参数化群卷积实现等变特征提取，在多数据集上取得优于同类方法的准确率与鲁棒性。
2023-06-12 cs.CV
MV-C3D: A Spatial Correlated Multi-View 3D Convolutional Neural Networks
Zhejiang University of Technology（浙江工业大学）；Zhejiang Lab（之江实验室）
随着深度神经网络的发展，三维物体识别在计算机视觉领域越来越受欢迎。许多基于多视图的方法被提出来提高类别识别的准确性。这些方法主要依赖于多视点图像，这些图像是用整个圆周绘制的。然而，在现实世界的应用中，3D对象大多是从较小范围内的部分视点观察的。因此，我们提出了一种基于多视点的三维卷积神经网络，它只需要部分连续的多视点图像作为输入，仍然可以保持较高的精度。此外，我们的模型将这些视图图像作为联合变量，以使用3D卷积和3D最大池化层更好地学习空间相关特征。在ModelNet 10和ModelNet 40数据集上的实验结果表明，我们的MV-C3 D技术可以在从较小范围的部分角度捕获的多视图图像中实现出色的性能。在3D旋转真实图像数据集MIRO上的结果进一步证明了MV-C3 D在真实世界场景中的适应性更强。随着视点图像数量的增加，分类精度可以进一步提高。
2019-06-15 cs.CV
Facial Emotions Recognition using Convolutional Neural Net
University of Waterloo（滑铁卢大学）；University of Swat（斯瓦特大学）；Academia Sinica（中央研究院）；National ChengChi University（国立政治大学）
每个人的面部表情都不一样，每个随机图像的亮度、对比度和分辨率都不一样。这就是为什么识别面部表情是非常困难的。本文提出了一个有效的系统，面部表情识别的七个基本的人类情绪（愤怒，厌恶，恐惧，快乐，悲伤，惊讶，和中性），使用卷积神经网络（CNN），预测和分配概率的每种情绪。由于深度学习模型从数据中学习，因此，我们提出的系统通过各种预处理步骤来处理每张图像，以实现更好的预测。每个图像首先通过人脸检测算法以包含在训练数据集中。由于CNN需要大量的数据，我们在每张图像上使用各种过滤器复制了我们的数据。大小为80*100的预处理图像作为输入传递到CNN的第一层。使用了三个卷积层，然后是一个池化层和三个密集层。致密层的脱落率为20%。该模型通过结合两个公开可用的数据集JAFFE和KDEF进行训练。90%的数据用于训练，10%用于测试。使用组合数据集，我们实现了78.1%的最大准确度。此外，我们设计了一个应用程序的建议系统与图形用户界面，实时分类的情绪。
2022-09-23 cs.CV
Learning Invariant Representations for Equivariant Neural Networks Using Orthogonal Moments
Punjabi University（旁遮普大学）
标准卷积神经网络（CNN）的卷积层与平移是等变的。然而，卷积和全连接层对于其他仿射几何变换不是等变的或不变的。最近，提出了一类新的CNN，其中CNN的传统层被等变卷积，池化和批量归一化层取代。等变神经网络中的最终分类层对于不同的仿射几何变换（例如旋转、反射和平移）是不变的，并且标量值通过使用整个网络的卷积和下采样来消除滤波器响应的空间维度来获得，或者对滤波器响应进行平均。在这项工作中，我们建议整合正交矩，它给出了高阶统计的功能作为一种有效的手段，编码全局不变性相对于旋转，反射和平移在全连接层。因此，网络的中间层变得等变，而分类层变得不变。最广泛使用的Zernike，伪Zernike和正交傅立叶-梅林时刻被认为是用于此目的。通过在旋转MNIST和CIFAR 10数据集上将不变过渡和全连接层集成到组等变CNN（G-CNN）架构中来评估所提出工作的有效性。
2022-09-22 cs.CV
A Deep Multiscale Neural Network for Accurate Neurological Disorder Detection from MRI Scans and Real-Time Web Deployment
提出End-Net网络，通过多尺度Inception模块和WGAN-GP数据增强，实现MRI多类神经系统疾病的高精度分类，并部署为实时Web系统。
2026-07-07 cs.AI cs.CV
ConformalLayers: A non-linear sequential neural network with associative layers
Universidade Federal Fluminense（弗卢米嫩塞联邦大学）
卷积神经网络（CNN）已经得到了广泛的应用。但随着CNN的增长，算术运算和内存占用的数量也会增加。此外，典型的非线性激活函数不允许由连续层编码的操作的关联性，从而防止通过组合它们来简化中间步骤。我们提出了一个新的激活函数，允许连续层的CNN之间的关联性。即使我们的激活函数是非线性的，它也可以用欧几里得几何的共形模型中的一系列线性运算来表示。在这个域中，像但不限于卷积、平均池化和dropout这样的操作保持线性。我们利用结合性来组合所有的“保形层”，并使推理的成本恒定，而不管网络的深度。
2021-11-09 cs.AI cs.CV cs.LG
Learning Filter Scale and Orientation In CNNs
Isik University（伊希克大学）
卷积神经网络有许多超参数，如过滤器大小、过滤器数量和池大小，这些都需要手动调整。尽管深度堆叠结构能够创建多尺度和分层表示，但手动固定的过滤器大小限制了可以在单个卷积层中学习的表示的尺度。本文介绍了一种新的自适应滤波器模型，允许可变尺度和方向。滤波器的尺度和方向参数可以使用反向传播来学习。因此，在单个卷积层中，我们可以创建不同尺度和方向的滤波器，以适应小或大的特征和对象。所提出的模型使用一个相对较大的基础大小（网格）的过滤器。在网格中，可微函数充当滤波器的包络。包络函数通过在卷积之前掩蔽滤波器权重来指导有效的滤波器尺度和形状/方向。因此，在训练期间仅更新包络中的权重。在这项工作中，我们采用多变量（2D）高斯作为包络函数，并表明它可以通过在反向传播训练期间更新其协方差矩阵来增长，收缩或旋转。我们在MNIST、MNIST-cluttered和CIFAR-10上测试了新的滤波器模型，并将结果与使用传统卷积层的网络进行了比较。结果表明，新模型可以有效地学习和产生不同尺度和方向的过滤器在一个单一的层。此外，实验表明，自适应卷积层的性能相当，甚至更好，特别是当数据包括不同规模的对象和嘈杂的背景。
2018-02-13 cs.CV
Local Rotation Invariance in 3D CNNs
University of Applied Sciences Western Switzerland (HES-SO)（瑞士西部应用科学大学）；Harvard School of Engineering and Applied Sciences（哈佛大学工程与应用科学学院）；Centre Hospitalier Universitaire Vaudois (CHUV)（沃州大学中心医院）；Hopitaux Universitaires de Genève (HUG)（日内瓦大学医院）
局部旋转不变（LRI）图像分析被证明是在许多应用中，特别是在医学成像中，局部结构的组织发生在任意旋转的基本。LRI构成了纹理分析的几个突破的基石，包括局部二进制模式（LBP），最大响应8（MR8）和可操纵滤波器组。虽然最近提出了全局旋转不变卷积神经网络（CNN），但在深度学习的背景下很少研究LRI。LRI设计允许考虑所有方向的学习滤波器，与标准3D CNN相比，这使得可训练参数和训练数据大幅减少。在本文中，我们提出并比较了几种方法来获得LRI CNN方向灵敏度。两种方法使用方向通道（对旋转内核的响应），通过显式旋转内核或使用可操纵滤波器。这些方向通道构成数据的局部旋转等变表示。跨方向的局部合并产生LRI图像分析。可操纵滤波器用于实现三维旋转的精细和有效的采样，以及减少可训练的参数和操作，这要归功于涉及固体球谐函数（SH）的参数表示，这是SH与相关的学习径向profiles.Finally产品，我们研究了第三种策略，以获得基于旋转不变量的LRI从一组学习的固体SH的响应计算。对所提出的方法进行了评估，并与3D数据集上的标准CNN进行了比较，这些数据集包括由旋转模式组成的合成纹理体积和CT中的肺结节分类。结果显示了LRI图像分析的重要性，同时大幅减少了可训练参数，优于使用数据增强训练的标准3D CNN。
2020-03-19 cs.CV eess.IV
Visual Context-aware Convolution Filters for Transformation-invariant Neural Network
Samsung R&D Institute, Bangalore（三星班加罗尔研发中心）
我们提出了一种新的视觉上下文感知过滤器生成模块，它将图像中的上下文信息纳入卷积神经网络（CNN）。与传统的CNN相比，我们不会对所有输入图像实例使用相同的学习卷积滤波器集。我们提出的输入条件卷积滤波器与多实例学习和最大池技术相结合，产生了一个变换不变的神经网络。我们研究了我们提出的框架在三种MNIST变体上的性能，其中包括旋转和缩放方差，并在MNIST-rot-12 k上实现了1.13%的误差，在半旋转MNIST上实现了1.12%的误差，在缩放MNIST上实现了0.68%的误差，这明显优于最先进的结果。我们利用可视化来进一步证明我们的视觉上下文感知卷积过滤器的有效性。我们提出的可视化上下文感知卷积滤波器生成框架也可以作为任何基于CNN的架构的插件，并增强其建模能力。
2019-06-15 cs.CV cs.LG stat.ML
Best Practices for Convolutional Neural Networks Applied to Object Recognition in Images
University of Toronto（多伦多大学）
本研究项目研究卷积神经网络（CNN）在图像分类任务中的影响。我们使用ReLU、Nesterov的加速梯度、dropout和maxout网络探索不同的架构和训练配置。我们使用CIFAR-10数据集作为Kaggle竞赛的一部分来识别图像中的对象。初步结果表明，CNN作为不变特征检测器的性能优于我们的基线。不同的预处理程序之间的比较显示更好的结果，全局对比度归一化和ZCA白化。ReLU比tanh单位快得多，并且优于sigmoids。我们提供了有关训练超参数的详细信息，为它们的选择提供了直觉，这有助于在类似情况下增强学习。我们设计了4个卷积神经网络模型，探索了深度、特征图数量、内核大小和重叠、池化区域和不同的子采样技术等特征。结果有利于在卷积层和密集层中使用大量参数的中等深度的模型。Maxout网络在某些模型上的性能优于整流器，但随着全连接层复杂性的增加，会引入太多的噪声。最后的讨论解释了我们的结果，并提供了其他技术，可以提高性能。
2019-10-29 cs.CV cs.LG eess.IV
Empirical Ablation and Ensemble Optimization of a Convolutional Neural Network for CIFAR-10 Classification
Department of Electrical and Computer Engineering, The University of Tulsa（电气与计算机工程系，塔尔萨大学）
本文通过经验消融研究评估了CNN在CIFAR-10分类中的优化方法，探讨了训练时长、学习率调度等对泛化能力的影响，并通过集成学习提升分类性能。
2026-04-26 cs.AI cs.CV
A Lightweight Convolutional Neural Network for Real-Time Recognition of Hand-Drawn Geometric Shapes
本文提出一种轻量级CNN，用于实时识别四种手绘几何图形，在2,000张图像数据集上达到96.01%验证准确率，并公开代码与数据。
2026-09-22 cs.CV cs.LG
Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach
Widener university（威德纳大学）；Academy Of Technology（技术学院）
提出一种集成可分离卷积与SE模块的轻量级CNN架构，用于MRI脑肿瘤分类，在保持计算效率的同时，验证准确率达99.22%，测试准确率达98.44%，优于现有模型。
2025-02-01 cs.CV eess.IV
Addressing Uncertainty in Imbalanced Histopathology Image Classification of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold Filtered Single Instance Evaluation (SIE)
American International University-Bangladesh（孟加拉美国国际大学）；Bangladesh University of Business and Technology（孟加拉商业技术大学）；King Saud University（沙特国王大学）；Southern Illinois University（南伊利诺伊大学）
本文提出DenseNet201-Xception-SIE集成方法，结合阈值过滤单实例评估处理HER2乳腺癌不平衡组织病理图像分类，在H&E和IHC数据上均取得超过97%的准确率，并通过Grad-CAM增强可解释性。
2023-10-27 cs.CV
DeepNAT: Deep Convolutional Neural Network for Segmenting Neuroanatomy
Ludwig-Maximilian-University（慕尼黑大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Massachusetts Institute of Technology（麻省理工学院）；SAP SE（SAP公司）
我们介绍DeepNAT，一种3D深度卷积神经网络，用于在T1加权磁共振图像中自动分割NeuroAnaTomy。DeepNAT是一种端到端的基于学习的大脑分割方法，它联合学习抽象特征表示和多类分类。我们提出了一种基于3D补丁的方法，在这里我们不仅预测补丁的中心体素，而且预测邻居，这被称为多任务学习。为了解决类别不平衡问题，我们分层安排了两个网络，第一个将前景与背景分开，第二个在前景上识别25个大脑结构。由于斑块缺乏空间背景，我们用坐标来增强它们。为此，我们引入了一种新的内在参数化的脑容量，形成的拉普拉斯-贝尔特拉米算子的本征函数。作为网络架构，我们使用三个卷积层，包括池化、批量归一化和非线性，然后是具有丢弃的全连接层。最终的分割是从具有3D全连接条件随机场的网络的概率输出推断的，这确保了接近体素之间的标签一致性。网络中大约270万个参数是用随机梯度下降学习的。我们的研究结果表明，DeepNAT与最先进的方法相比毫不逊色。最后，纯粹基于学习的方法可能具有很高的潜力，可以通过在目标应用程序上使用小的训练样本微调预训练的网络来适应年轻，年老或患病的大脑，其中具有手动注释的较大数据集的可用性可能会提高未来的整体分割准确性。
2017-02-27 cs.AI cs.CV cs.LG
DCENWCNet: A Deep CNN Ensemble Network for White Blood Cell Classification with LIME-Based Explainability
Amrita Vishwa Vidyapeetham（阿姆里塔维迪亚佩塔姆大学）；Baylor College of Medicine（贝勒医学院）
DCENWCNet通过集成三种不同配置的CNN架构，结合LIME可解释性技术，提升了白血细胞分类的准确性和可解释性。
2026-03-03 cs.AI cs.CV q-bio.CB
MS-DGCNN++: Multi-Scale Dynamic Graph Convolution with Scale-Dependent Normalization for Robust LiDAR Tree Species Classification
ENSIAS；Mohammed V University（摩洛哥穆罕默德五世大学）
本文提出MS-DGCNN++，通过多尺度动态图卷积与尺度依赖归一化提升点云树种分类鲁棒性，实验表明其在不同SNR环境下具有更高的准确率和稳定性。
2026-03-24 cs.AI cs.CV
