一般来说，图像经过小小的平移和变形之后，人类还是信任CNN能够把它们泛化，识别出里面的物体。

归纳偏差 (Inductive Bias) ，是CNN成功的一个关键。卷积和池化的选择，就是为了赋予神经网络一些不变性，避免因为一些小的改变，就丧失了原本的判断。

然而，来自耶路撒冷希伯来大学的两位研究人员发现，一幅图像被平移了几个像素之后，现在的CNN就很容易认不出来。旋转和缩放 ，也是一样。

平移一下就石乐志

团队用测量习得表征 (Learned Representations) 线性度 (Linearity) 的方法，来观察CNN的不变性。

接受考验的CNN选手有三位，VGG-16，ResNet-50以及Inception ResNet-V2。结果——

只是把狗狗下移了一点点，

只是把瓶子放大了一点点，

只是把白熊的姿势换一下，

系统的识别准确率就发生了猛烈的变化。

这就是Inception ResNet-V2给出的答案。面对平移、缩放、旋转这样的无关变化，CNN都可能轻易抛弃原本的判断，无法保持岿然不动。

为了看到它是怎么失败的，研究人员从ImageNet的验证数据集里随机选取200张图片，把它们揉到更大的背景图里面，然后做平移之类的变换。

从Top-5的情况来看，如果移到某一个像素的时候还能够正确判断，而移到下一个像素就错了的话，就在Jaggedness里面加上1。

如果移过了多个像素而Top-5一直都有正确答案的话，就不计数。连续失败也不计数。

Jaggedness越大，表示CNN越不坚定。

统计图上，每一行的色带，表示的是一幅图像的预测结果，而横轴的延伸代表平移的过程。

纯色的色带，表示很稳。

混色的色带，表示不稳。

那么，钟型图上纯色的色带越短，Jaggedness越大，CNN越不坚定。

看上去，VGG16是最稳的，而更加现代化的ResNet50和Inception ResNet-V2，面对同一幅图的简单变换，给出的答案就没有那么统一。

不过，单从正确率来看，还是后面两位选手更优秀一些。

换句话说，VGG16，对得坚定，错得也坚定。

可是，人类需要的或许是正确率又高，判断又坚定的，那种AI。

为何平移就不好了

为什么现在的这些CNN无法兼顾这两项指标？

如果最终用来分类的特征，是表征经过全局池化得来的，那么图像平移应该不会影响到AI的判断。

所以，问题出在哪？

研究人员说，这个逻辑里面，没有考虑到子采样这个操作，现在的CNN里面，这样的步骤有很多很多。

子采样的问题，Simoncelli和同事们也曾经讨论过。

于是，子采样步骤越多，平移不变性越难保持，只有在某些特定的平移之下得以幸存。

比如，在Inception ResNet-V2里面，子采样因子是45。这样一来，只有1/45^2的概率能够保留平移不变性。

平移不变性，还有另外一种比较弱的表现形式，被Simoncelli他们称做“shiftablility”。

耶路撒冷的团队，在这个概念的基础上，证明了只要满足了shiftablility，全局池化就可以保留平移不变性。

曲线救国可以么

即便在子采样的洪流中，CNN难免随波逐流。不过，人类依然可以训练神经网络，做出拥有“不变性”的判断。

首先，这个训练数据集自身，需要对无关变换视而不见。

所以，团队检测了一下ImageNet训练数据集的不变性。

这里，需要给每幅图像手动标上类别，西藏梗、大象、菠萝、贝果以及船桨。

不出所料，研究人员发现ImageNet里面，西藏梗的眼距，以及双眼连线的中点位置，分布都比较集中，不利于平移的训练。

怎么让数据集变得更有不变性？

数据扩增 (Data Augmentation) 是一个思路。不过，这也不是一蹴而就的事。

因为子采样的问题阴魂不散。按照子采样因子是45来计算，每一个样本，都需要45^2=2025个扩增版本。

如果除了平移之外，还要考虑缩放和旋转的话，这个数字还会呈指数增长。

所以，要给CNN培育出坚固的不变性，这个方法可能还是有点困难。

生而为人的骄傲

虽然，现在的ResNet-50和Inception ResNet-V2看上去还有些踌躇，对图像的平移感到无助，但它们识别物体的准确率比以前的技术要好很多了。

当然，这也和ImageNet数据集里，物体在图像中的位置不够多样化，有关。

于是，团队还用了一个位置更加随机的数据集来测试。发现人类的识别不会受到影响，而CNN还是时而疑惑。

论文原文戳我。

本文转自 公众号 量子位