Image processing pytorch中rgb图像归一化参数背后的原因

我在很多教程和pytorch文档中都看到了

转换。规范化（（0.485,0.456,0.406），（0.229,0.224,0.225））

，我知道第一个参数是mean，第二个是std。我不明白为什么不同通道的值不同。

这可能只是代码作者（如COCO或PascalVOC）原始数据集中颜色的分布。所有的颜色都是平等的，这只是偶然的。然而，如果你在你的案例中使用相同的方法，我怀疑这会有很大的不同，因为方法和性病相似

例如，在我从GoPro相机获取的自定义数据集中，平均值和标准偏差如下所示：

mean: [0.2841186 , 0.32399923, 0.27048702],
std: [0.21937862, 0.26193094, 0.23754872]

在手段几乎不平等的情况下。然而，这并不意味着在ML模型中对它们的处理有所不同。所有这些转换所做的就是确保每个特征都是标准化的（通过z分数标准化）

---

这样想：如果一种颜色在你的数据集中以更高的强度表示（例如，如果你有很多关于海滩、天空、泻湖等的充满活力的“蓝色”图片），然后，您必须从该通道中减去一个较大的数字，以确保数据标准化。

这可能只是代码作者（如COCO或PascalVOC）原始数据集中颜色的分布。所有的颜色都是平等的，这只是偶然的。然而，如果你在你的案例中使用相同的方法，我怀疑这会有很大的不同，因为方法和性病相似

例如，在我从GoPro相机获取的自定义数据集中，平均值和标准偏差如下所示：

mean: [0.2841186 , 0.32399923, 0.27048702],
std: [0.21937862, 0.26193094, 0.23754872]

在手段几乎不平等的情况下。然而，这并不意味着在ML模型中对它们的处理有所不同。所有这些转换所做的就是确保每个特征都是标准化的（通过z分数标准化）

---

可以这样想：如果一种颜色在数据集中以通常更高的强度表示（例如，如果你有很多关于海滩、天空、泻湖等的生动“蓝色”图片），那么你必须从该通道中减去一个更大的数字，以确保数据标准化。

不确定具体的示例，但一般来说，图像标准化（或RGB->灰度转换）中的不同参数与我们视觉感知中的原因有关。我们的眼睛对不同的颜色不太敏感。不确定具体的例子，但一般来说，图像标准化（或RGB->灰度转换）中的不同参数与我们视觉感知中的原因有关。我们的眼睛对不同的颜色并不同样敏感。