我一直在思考这个问题有一段时间了，但我还没有找到一个我很满意的答案。
想象一下，我们已经在 MNIST 数字数据库上训练了一个 DNN，它以一定的高精度对样本外观察进行分类。然后我们向 DNN 展示 4 和 3 的异常图像，如下所示。DNN 会正确分类吗？我不这么认为，因为隐藏层根本不会具有图像中存在的具有不寻常数字（各种卷发）的特征，因此它可能会对它们进行错误分类。
我还认为仅对此类不寻常数字的数据库进行培训会很困难。隐藏层将如何存储（非常相似的）特征？直观地说，它会在这个 db 上过拟合，因为由于卷曲之间的相似性，隐藏的神经元将学习所有不必要的特征。
我认为训练这种 DNN 的方法是以某种方式学习组成数字的“条”/卷曲之间的角度，例如在数字“4”中，条之间有一个直角，但我不太确定。我也找不到处理这个问题的论文。
抱歉，但我认为尝试构建表示角度的特征并不符合 DNN 的精神：深度学习的全部意义在于您无需手动设计这些详细的特征，而是让网络学习并发现它们自动与目标任务最相关的功能。
对于您的问题，一种更“主流”的方法宁愿采用现有的数字数据库并破坏数字图像，以便您获得类似于您的示例的图片。例如，您可以尝试用随机曲率替换 N 个像素的直线。
这种方法通常用于深度学习以增加训练数据集，同时提高网络对某种噪声的鲁棒性。因此，经典的损坏方法包括平移/旋转数字图像。
但请注意，对于您展示的两张图片，更简单的解决方案可能是模糊或像素化或降低清晰度，或者更好地计算带有裁剪的光谱变换，以便仅捕获全局/较大的形状并过滤较小的变化 -出去。
如果您查看 MNIST 上的最佳结果，您会发现它们（上次我检查）在训练期间的每个时期都使用弹性变形。
在您的情况下，您必须添加这种类型的变形：弹性振荡（或？）。
如果您确定您只有此类信息，那么您可以尝试简化数字（曲线的主要部分而不是这些振荡），然后将其提供给您的 DNN。