使用彩色和灰度图像训练数据集

Question

我正在尝试训练面部性别和年龄检测的cnn模型。我的训练集包含彩色和灰度的面部图像。如何规范化此数据集？或者我如何处理混合灰度和彩色图像的数据集？

Answer 1

要训练网络，您必须确保所有训练图像中的大小相同，因此将全部转换为灰度。要标准化，您可以从每个图像中减去训练集的平均值。对验证和测试图像执行相同的操作。 有关详细步骤，请参阅以下文章： https://becominghuman.ai/image-data-pre-processing-for-neural-networks-498289068258

Answer 2

请注意，网络只会尝试了解您的标签（性别/年龄）与培训数据之间的关系，以及它们呈现给网络的方式。

最佳选择取决于您是否希望模型在未来适用于灰度或彩色图像。

如果只想预测灰度图像

你应该只在灰度图像上训练！ 您可以使用许多方法将彩色图像转换为黑白图像：

• 3个RGB通道的简单平均值

• 使用圆柱形颜色空间作为HSV，HSL的更复杂的变换。在那里你可以使用灰色的其中一个通道。通常，V通道对应于人类感知比RGB的平均值更好 https://en.wikipedia.org/wiki/HSL_and_HSV

如果您需要预测彩色图片

显然，从灰度图像重建颜色并不容易。然后你必须在训练期间使用彩色图像。

如果你的模型在输入中接受MxNx3图像，那么它也会接受灰度图像，只要你在3个RGB通道上复制信息。

您应该仔细评估您拥有的示例数量，并将其与您要使用的模型所需的通常训练集大小进行比较。 如果您有足够的彩色图像，则根本不要使用灰度图像。 如果您没有足够的示例，请确保您有灰色/彩色案例的平衡训练和测试集，否则您的网将学会分别对灰度和彩色进行分类。

或者，您可以考虑使用遮罩，并用掩蔽值替换缺少的颜色通道。

您可以考虑进一步替代： - 使用预先训练的CNN进行特征提取，例如VGG很大程度上可以在线获得，然后微调最后一层

对我来说，感觉年龄和性别估计不会受到颜色存在/不存在的影响，并且可能将问题减少到灰度图像只能帮助您收敛，因为参数会更少估计。 你应该考虑在姿势，方向等方面对图像进行标准化。