为R G B图像定义分割网络时， 例如mxnet上的fcn-xs示例中的网络， 输入的RGB图像层被馈送到多个卷积，激活，汇集等...
例如，卷积定义如下：mxnet.symbol.Convolution（data = input，kernel =（3,3），pad =（1,1），num_filter = 64， workspace = workspace_default，name =“conv1_1”）一方面，这里的卷积滤波器是2D，意味着每个颜色层R，G，B 单独处理。另一方面，从神经科学中众所周知，相关特征包含在颜色对比中，而不是在颜色通道本身中，即颜色应该相互减去，例如，红色减去绿色或蓝色减去黄色。
如何通过网络结构强制执行？ R G B组分如何混合和组合？
答案 0 :(得分：2)
事实证明，mxnet中的卷积是3D：前两个维度反映图像坐标，而第三个维度反映深度，即特征空间的维度。对于输入图层的RGB图像，深度为3（除非它是深度== 1的灰度图像）。对于任何其他图层，深度是要素（过滤器）的数量。
因此不需要明确指定沿深度维度的卷积，它总是（隐式）假设。结果，可以提取涉及来自若干通道的数据的颜色对比度和其他特征。例如，添加水平和垂直特征可以产生角点检测器......