arXiv cs.CL· Yanir Harel, Shalom Rosner, Ronit D. Gross, Tal Halevi, Shilo Glam, Ella Koresh, Ido Kanter·· 10 小时前AI 评分20
频域分类为何优于空间域：VGG 与 ViT 混合模型研究
When frequency domain classification is superior to spatial
AI 导读
研究发现频域图像分类精度下降源于缺乏局部特征，在频域中局部交换数据会显著降低其逆空间域精度，但频域精度基本不变。使用空间域含全局特征的数据集可提升频域精度。据此构建的 VGG 与 ViT 混合模型（分别仅在频域和空间域训练）在 ImageNet-100、WikiArt、DTD、FMD、PSVRT 和 KTH-TIPS2-b 数据集上取得更高分类精度。
正文 · AI 翻译
摘要：现代图像分类模型主要依赖局部特征和特征提取进行预测。这种聚焦式方法在空间域表现良好，但据报道在频域中表现不佳，尽管两种表示包含相同的信息。本研究表明，频域中准确率的显著下降源于局部特征的缺失。在频域中局部交换数据会显著降低其逆空间域的准确率，甚至低于频域的准确率；然而频域的准确率保持相对稳定。此外，使用在空间域中包含全局特征的数据集可在频域中获得更高的准确率。基于这些结果，构建了一个混合模型，将一个仅在频域训练的模型与另一个仅在空间域训练的模型相结合，以实现更高的分类准确率。所提出的视觉几何组（VGG）和视觉 Transformer（ViT）架构在 ImageNet-100、WikiArt、DTD、FMD、PSVRT 和 KTH-TIPS2-b 数据集上进行训练和评估。
| 学科： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.00073 [cs.CV] |
| （或 arXiv:2611.00073v1 [cs.CV] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.00073 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shalom Rosner [查看电子邮件]
[v1]
2026年10月15日 星期四 18:39:55 UTC（795 KB）
来源：arXiv cs.CL · arxiv.org