为什么MATLAB简单卷积神经网络对仅重保存的数字4图像分类错误？

问题原因 #

1. 输入数据分布偏移 #

你训练用的官方数字数据集有固定的灰度分布规律：背景为纯0值（纯黑）、手写区域灰度范围、整体对比度都是统一的。经过画图软件、Photopea另存后，哪怕视觉差异极小，软件会隐式执行灰度映射、色域转换、有损压缩等操作，导致图像的像素值分布和训练集完全不匹配，属于模型从未见过的域外输入。

2. 小模型鲁棒性极低 #

你搭建的CNN仅有2层卷积层，参数量非常小，拟合的是训练集的像素级关联规律，并没有学到数字的高层语义特征。简单来说模型并没有真正识别“4的形态”，只是记住了训练集里数字4的像素排布特征，只要像素值发生人眼不可察的微小偏移，提取的特征就会完全失真。你调整训练轮次没有作用，因为训练集中完全没有这类另存生成的样本，训练轮次越高只会让模型对训练集的拟合程度越高，对域外样本的泛化能力不会有提升。

3. 预处理流程不一致 #

你用imageDatastore加载训练集时，MATLAB会做默认的标准化预处理，但你直接用imread读取自定义测试图像后，没有做和训练阶段完全一致的预处理操作，也会导致输入分布和模型预期不符。你可以输出两张测试图像的统计值验证：

% 查看两张图的灰度统计差异
disp('原图统计：');
disp(['均值：', num2str(mean(double(im1(:)))), ' 最大值：', num2str(max(im1(:))), ' 最小值：', num2str(min(im1(:)))]);
disp('另存图统计：');
disp(['均值：', num2str(mean(double(im2(:)))), ' 最大值：', num2str(max(im2(:))), ' 最小值：', num2str(min(im2(:)))]);

解决建议 #

• 对自定义测试图像做和训练集一致的预处理，比如用训练集的全局均值、方差做标准化，或者做直方图匹配将另存图像的灰度分布映射到和训练集一致。
• 训练阶段加入数据增强：给训练集添加随机亮度调整、随机对比度调整、轻微高斯噪声等增强策略，提升模型对输入扰动的鲁棒性。
• 若需要处理大量自定义输入，可以适当加深网络结构，提升模型的特征提取能力。

内容的提问来源于stack exchange，提问作者Gergely Bertalan