什么颜色的空间将产生大多数功能，以培养更准确的CNN？

Question

大多数时候，我看到人们使用RGB通道作为训练集。虽然它有利于面部检测，但我没有发现它像我想的那样有效！ 那么，我应该尝试将图像转换为不同的（可能是不同颜色过渡的组合）颜色空间来训练对象标识符吗？

我无法以实验方式找到它，因为与此相关的成本较高（AWS）。

P.S。我正在使用dlib＆＃39; s dnn_mmod_ex.cpp！

Answer 1

经过长时间搜索答案并在物体识别任务中尝试了很多色彩空间，我发现RGB是色彩空间的最佳选择。我尝试了许多色彩空间，例如YCrCb，L a b等。当我们仅限于计算机视觉问题时，它们肯定很棒，例如L a b是暴露不变的（高达在某种程度上）但是当我们将图像转换为其他颜色空间时，图像肯定会丢失数据。我使用HOG作为特征描述符，并且它对改变的颜色空间没有好处。渐变是失误的，没有一致性。然而，在计算机视觉中，我正在处理马铃薯中的缺陷分割，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东西，请纠正我。

Answer 2

本文可能对您很有趣：

K Sumanth Reddy撰写的“图像色彩空间对卷积神经网络性能的影响”； Upasna Singh; Prakash K Uttam。发表于：2017年第二届IEEE电子，信息和通信技术最新趋势国际会议。（https://ieeexplore.ieee.org/document/8256949）

作者研究了不同色彩空间（RGB，HSL，HSV，LUV，YUV）对使用CIFAR10数据集训练的CNN（AlexNet）的性能的影响。他们发现LUV色彩空间是广泛使用的RGB色彩空间的良好替代品，而接受YUV数据训练的网络显示了最差的性能。