Dan*_*eri 2 python computer-vision conv-neural-network
作为项目的一部分，我想研究颜色对 CNN 的作用/影响。不幸的是，到目前为止我发现的信息很少，如果您对我有任何文献建议，我希望收到您的来信。
基本上我想研究颜色对 CNN 的影响方式、原因和影响。为什么我应该使用具有 3 个通道的图像，而不是仅使用一个通道的图像。
此外，我想研究色彩空间的影响，我找到了一篇论文，但也许其中一个知道其他有用的文献。
您知道我如何才能最好地进行这项调查吗？
我思考过以下问题：
--
对于第二个问题（色彩空间），我将进行类似的处理。
我走在正确的轨道上吗？您对如何更好地发挥作用有什么建议吗？
我会很高兴得到答案。感谢大家，丹
CNN 对工件的不变性源自您的数据。CNN 仅有数据来了解颜色是否是识别物体的决定性因素。
假设您要识别 MNIST 图像数据集中的数字。对于数字“8”，颜色没有语义意义——“8”无论是红色还是绿色，都是“8”。如果你只向 CNN 提供红色的“8”，它就会知道红色是识别“8”的决定性因素。通过向其提供大量不同颜色的“8”，CNN 将了解到颜色对识别“8”的影响很小。红色通道或红色特征的权重不会占主导地位。由于颜色不太可能带来任何性能提升，因此我们可以将图像转换为灰度，并且我们期望性能变化最小。
但 ImageNet 数据集主要包含自然图像，其中颜色起着语义作用。例如，猫可能是白色、黑色或棕色的。你永远不会看到绿色或红色的猫。淡黄色的猫状生物可能是狮子/老虎/豹子等。对于自然图像，颜色可以为您提供额外的信息，而将图像转换为灰度可能会损害性能。
对于颜色空间，如果颜色空间可以通过方程进行转换，则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。发光对于识别来说不太重要，因为它更多地取决于光源而不是物体属性，而 U 和 V 分量更相关。
本书的章节（链接）可能会给您带来进一步的见解。
还可以办理退房手续：
“图像色彩空间对卷积神经网络性能的影响”作者：K Sumanth Reddy；乌帕斯纳·辛格；普拉卡什·K·乌塔姆. 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(RTEICT)。( https://ieeexplore.ieee.org/document/8256949 )
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。
还有一篇相关主题的论文：链接