En este artículo, utilizamos CAPM (Polítopo Adversario Convexo para CNN basadas en Maxpool) para mejorar los límites de validación de una red neuronal convolucional (CNN) típica basada en Maxpool bajo interferencia adversarial con norma acotada. Al descomponer la función Maxpool en una serie de funciones ReLU y extender la técnica de relajación convexa a la función Maxpool, los límites de validación pueden calcularse eficientemente mediante una red dual. Los resultados experimentales muestran que esta técnica proporciona una precisión de validación de vanguardia para CNN basadas en Maxpool con un coste computacional mucho menor que el de métodos de validación existentes como DeepZ, DeepPoly y PRIMA. Además, este método es aplicable a CNN de gran escala, que han demostrado ser computacionalmente prohibitivas en estudios previos. En determinadas condiciones, CAPM es 40, 20 o 2 veces más rápido que PRIMA/DeepPoly/DeepZ y ofrece límites de validación mucho más altos (CAPM 98 % frente a PRIMA 76 %/DeepPoly 73 %/DeepZ 8 %). Además, demostramos que la complejidad temporal del algoritmo es $O(W^2NK)$, donde W es el ancho máximo de la red neuronal, N es el número de neuronas y K es el tamaño del kernel de la capa de agrupamiento máximo.
