English(EN) When frequency domain classification is superior to spatial

混合VGG/ViT模型在频率域分类中展现出潜力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-04 05:00

一篇新的研究论文探讨了图像分类模型在频率域与空间域相比的有效性。研究发现，虽然两个域包含相同的信息，但由于缺乏局部特征，在频率域训练的模型通常表现不佳。通过证明即使在局部频率数据被替换时，频率域的准确性也相对稳定，该研究提出了一种结合频率域和空间域训练的混合模型，以实现更高的分类准确性。该混合方法使用VGG和ViT架构在包括ImageNet-100和WikiArt在内的各种数据集上进行了测试。 AI

影响提出了一种可以通过利用频率域和空间域特征来提高图像分类任务准确性的混合模型。

排序理由该集群包含一篇详细介绍新颖图像分类方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 45 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新颖图像分类方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Yanir Harel, Shalom Rosner, Ronit D. Gross, Tal Halevi, Shilo Glam, Ella Koresh, Ido Kanter · 2026-11-04 05:00

当频域分类优于空域时

arXiv:2611.00073v1 Announce Type: cross Abstract: Modern image classification models largely rely on local characteristics and feature extraction for their predictions. This focused approach works well in the spatial domain, but reportedly falls short in the frequency domain, eve…

本文如何被排名

报道来源 [1]

当频域分类优于空域时

相关实体

相关话题