Neural network 什么颜色空间将产生最多的功能来训练更准确的CNN？

大多数时候，我看到人们使用RGB频道作为训练集。虽然它是好的面部检测，但我还没有发现它的有效性，因为我认为它会！ 那么，我是否应该尝试将图像转换为不同的（可能是不同颜色转换的组合）颜色空间来训练对象标识符

我无法通过实验找到它，因为与之相关的成本更高（AWS）

---

另外，我正在使用dlib的dnn_mmod_ex.cpp

经过长时间的搜索和在物体识别任务中大量使用颜色空间的实验，我发现RGB是颜色空间的最佳选择。我尝试了许多颜色空间，如YCrCb、Lab等。当我们局限于计算机视觉问题时，它们当然很棒，例如Lab是曝光不变的（在某种程度上），但当我们将图像转换到其他颜色空间时，图像肯定会丢失数据。我使用HOG作为特征描述符，但它不适合更改颜色空间。梯度缺火，没有一致性。然而，在计算机视觉中，我正在处理土豆中的缺陷分割，其他颜色空间如YCrCb被证明是通过聚类算法进行缺陷分割的一个很好的特征描述符。如果你在我的观察中发现一些不正确的地方，请纠正我。

这篇文章可能会让你感兴趣：

K Sumanth Reddy的“图像颜色空间对卷积神经网络性能的影响”；乌帕斯纳·辛格；普拉卡什·乌塔姆。发表于：2017年第二届IEEE电子、信息和通信技术（RTEICT）最新趋势国际会议（）

---

作者研究了不同颜色空间（RGB、HSL、HSV、LUV、YUV）对使用CIFAR10数据集训练的CNN（AlexNet）性能的影响。他们发现LUV颜色空间是广泛使用的RGB颜色空间的一个很好的替代品，而在YUV数据上训练的网络表现出最差的性能

摘要中的一些相关链接：“我们观察到LUV颜色空间是RGB颜色空间的最佳替代品，可用于CNN模型，在CIFAR10数据集的测试集上具有几乎相同的性能。”（重点是我的）。因此，他们发现RGB是最佳颜色空间。这是正确的@CrisLuengo。然而，他们得出结论“虽然RGB颜色空间在CNN机型中非常流行，但还有许多其他颜色空间，如HLS、HSV、LUV、，YUV等。在CIFAR10数据集的测试集上，就CNN模型的性能对这些颜色空间进行了比较，得出结论，LUV颜色空间是CNN模型的最佳替代方案，而YUV颜色空间是最差的。据我们所知，这是第一次进行这样的实验，以了解CNN在不同颜色空间上的性能。”