评估颜色对 CNN 在物体识别中重要性的研究
计算机视觉与模式识别
2020-12-15 v1 机器学习
摘要
人类严重依赖形状作为物体识别的主要线索。作为次要线索，颜色和纹理在此方面也有助益。卷积神经网络（CNNs）作为生物神经网络的仿制品，已被证明表现出相互冲突的特性。一些研究表明 CNNs 偏向于纹理，而另一组研究则表明在分类任务中存在形状偏向。然而，它们并未讨论颜色的作用，暗示其在该物体识别任务中可能作用有限。本文中，我们实证研究了颜色对 CNNs 物体识别的重要性。我们能够证明 CNNs 在做出预测时常常严重依赖颜色信息。我们的结果表明，对颜色的依赖程度往往因数据集而异。此外，若从头训练，网络往往更依赖颜色。预训练可使模型较少依赖颜色。为促成这些发现，我们遵循常用于理解人类物体识别中颜色作用的框架。我们在一致图像（原始颜色的图像，如红色草莓）上训练模型，并在一致、灰度和不一致图像（非自然颜色的图像，如蓝色草莓）上进行评估。我们测量并分析了网络在这些不同风格化下的预测性能（top-1 准确率）。我们在实验中使用了有监督图像分类和细粒度图像分类的标准数据集。
引用
@article{arxiv.2012.06917,
title = {Assessing The Importance Of Colours For CNNs In Object Recognition},
author = {Aditya Singh and Alessandro Bay and Andrea Mirabile},
journal= {arXiv preprint arXiv:2012.06917},
year = {2020}
}