Python 颜色信息在CNN中的作用

作为项目的一部分，我想调查颜色在CNN上的作用/效果。不幸的是，到目前为止，我还没有找到什么信息，如果你对我的文学作品有什么建议，我很想听听你的意见

基本上，我想调查颜色在CNN中是如何、为什么以及有什么影响的。为什么我应该使用具有3个通道的图像，而不是仅使用具有一个通道的图像

此外，我想调查颜色空间有什么影响，我找到了一篇论文，但也许其中一篇知道其他有用的文献

你知道我怎样才能最好地进行这项调查吗

我考虑过以下几点：

使用RGB数据集训练CNN（例如VGG16）

在灰度中训练相同的数据集

比较性能、过滤器（不知道这是否有用），比较featuremaps

--

对于第二个问题（颜色空间），我将进行类似的处理

用RGB数据集训练CNN

用HSV数据集等训练CNN

我走对了吗？你对如何更好地工作有什么建议吗

我会很高兴得到答案。

---

多亏了大家，Dan

CNN对人工制品的不变性来自您的数据。CNN只有数据来了解颜色是否是识别物体的决定性因素

假设您要在MNIST图像数据集中标识数字。对于数字“8”，颜色没有语义意义——无论是红色还是绿色，“8”都是“8”。如果你只向CNN展示红色“8”，它将了解到红色是识别“8”的决定性因素。通过展示大量不同颜色的“8”，CNN将了解到颜色对识别“8”几乎没有影响。红色通道或红色特征的权重将不占主导地位。由于颜色不太可能提高性能，我们可以将图像转换为灰度，我们希望性能变化最小

但ImageNet数据集主要具有自然图像，其中颜色起着语义作用。例如，猫可以是白色、黑色或棕色。你永远不会看到一只绿色或红色的猫。黄色的猫科动物可能是狮子/老虎/豹等。对于自然图像，颜色会提供额外的信息，将图像转换为灰度可能会影响性能

关于颜色空间，如果颜色空间可以通过方程转换，CNN可以学习转换方程，因此颜色空间的变化不会产生任何影响。但在YUV颜色空间中，它将发光（Y分量）与颜色分量（U和V）分开。发光对于识别不太重要，因为它更多地依赖于光源，而较少依赖于对象属性，而U和V分量更相关

这本书的第（）章可能会给你更多的见解

另外，退房：

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AlexNet CNN性能的影响

---

还有一篇关于相关主题的论文：

当然，但你不会得到一个一般性的答案。对于某些用例，颜色对于解决任务很重要，对于其他用例，则不太重要。感谢您的详细回复，我将查看您的所有来源。你给出的数字为“8”的例子非常好，对我的理解有很大帮助。太好了。如果答案对问题有帮助，请接受。