本文通过Fashion-MNIST数据集实验，研究图像分类模型在颜色分布变化下的泛化能力。实验使用二值化黑白图像训练，测试时采用随机彩色背景+前景的OOD测试集，对比随机森林、CNN及颜色随机化增强CNN的性能。结果显示传统方法在颜色偏移下准确率显著下降，而颜色增强策略能有效提升模型对未见颜色的适应性。实验设计严格控制变量，重点关注颜色单一因素的泛化影响，为OOD问题提供了简洁有效的分析框架。核心

本文将用比较通俗的方式，介绍 Java 入门阶段常见的基础知识点，包括常量、变量、标识符、数据类型转换、算术运算符、赋值运算符、关系运算符、逻辑运算符和三元运算符。

本文摘要： Java学习第3节重点介绍了流程控制、数组与方法三大基础内容。流程控制部分详细讲解了switch语句（包括case穿透现象）和if语句的三种格式（单分支、双分支和多分支）。循环语句重点介绍了for循环和while循环的执行流程与适用场景，并比较了两者的区别。文章还简要说明了Scanner类的基本使用方法，用于接收键盘输入。这些知识是后续学习面向对象编程、集合框架和算法开发的重要基础。

本文通过Fashion-MNIST数据集实验，研究图像分类模型在颜色分布变化下的泛化能力。实验使用二值化黑白图像训练，测试时采用随机彩色背景+前景的OOD测试集，对比随机森林、CNN及颜色随机化增强CNN的性能。结果显示传统方法在颜色偏移下准确率显著下降，而颜色增强策略能有效提升模型对未见颜色的适应性。实验设计严格控制变量，重点关注颜色单一因素的泛化影响，为OOD问题提供了简洁有效的分析框架。核心