待验证50% 置信事实精确时间

CNN中网络中间层的下采样操作（如池化、带步长的卷积）会破坏平移等变性，导致平移不变性无法保证

1

来源数

50%

置信度

长期有效

时效性

2026/8/30

首次发现

来源

一个像素移动就能骗过AI？深度解析平移不变性原理

涉及实体

下采样concept CNNconcept

相关事实

待验证反向传播机制要求整个计算图必须是可微分的，且在极深网络中存在梯度消失/爆炸问题69% 相似待验证网络中间层往往比输出层表现出更严重的叠加态67% 相似待验证传统实例分割网络如Mask R-CNN在高遮挡率下性能会显著下降66% 相似待验证状态离散化存在权衡：分桶粒度过粗导致信息损失，过细则引发维度灾难，这也是DQN用神经网络替代Q表的核心动机66% 相似待验证级联架构面临的核心挑战是误差传播，上游模型的偏差会被放大传递到下游65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/825957

API

curl https://kongchang.com/api/v1/knowledge/claims/825957

MCP

get_claim(id=825957)