本文介绍并研究了一种方法，旨在通过识别导致模型失败的视觉特征，对学习模型的传统评估方法进行补充，从而更好地表现重要和有益的失败模式。作者进一步提出了一种可视化方法用于帮助人们理解这些特征的含义，并在 ImageNet 数据集上进行了评估，结果表明：这种方法是发现重要的失败模式的有效方法，可视化技术有助于人们理解提取的特征，提取的洞见可以帮助工程师进行错误分析和调试。

Dec, 2020

本研究从人类参与和解释性的角度出发，探究了 ConvNets 和 Imagenet 在图像分类上的性能、鲁棒性和偏差问题，并以实验和工具提出了解释作为改善模型可靠性和理解性的有效手段。

Nov, 2017

对学术出版物和社交媒体进行了大量文献综述，发现了图像生成模型的 5 个定性缺陷，通过了解这些失败，可以识别这些模型需要改进的领域以及发展深度伪造检测策略。

Mar, 2023

使用 ImageNet-X 图像数据集，研究了模型的架构、学习模式和训练程序对模型在不同姿态、背景和光照下识别失败的影响。研究结果表明数据增强技术可以提高模型对某些因素的鲁棒性，但也会对其他因素产生溢出效应。未来应该集中精力收集更多数据和了解数据增强方案，以提高现代视觉模型的鲁棒性。

Nov, 2022

本文提出一种新型图像分类数据集，并评估了流行的卷积神经网络结构在此数据集上的分类表现，该数据集使用抽象类进行分类，具有人类易于解决但挑战 CNN 的特点。同时还发现了该数据集的变体可以为进一步研究提供有趣的可能性。

Aug, 2017

本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现，结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感，这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。

Apr, 2016

通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

Aug, 2018

本文对卷积神经网络在过去 25 年中分类抽象图像的情况进行了研究，比较了 LeNet 和 GoogLeNet 在分类随机生成的图像上的性能，结果表明在解决人类能够轻松解决的视觉问题方面仍有待努力。

Jul, 2016

本文研究了自动图像分类中的故障检测，通过对 6 个医学影像数据集的测试发现，现有的置信度评分方法无法准确检测分类模型的测试失败，建议今后加强研究，提高故障检测的准确性。

May, 2022

介绍了一种新的可视化技术，通过消融研究得出了超越 Krizhevsky 等在 ImageNet 分类基准上的模型架构，其 ImageNet 模型表现优异并且泛化性良好，可以轻松地在其他数据集上取得优异的分类效果。

Nov, 2013