ColorNet：探究色彩空间对图像分类的重要性
计算机视觉与模式识别
2019-02-04 v1
摘要
图像分类是计算机视觉中的基础应用。近来，更深层网络和高度连接网络在图像分类任务上展现了最先进的性能。如今大多数数据集由有限数量的彩色图像组成。这些彩色图像以 RGB 图像形式作为输入，并在不做修改的情况下完成分类。我们探索了色彩空间的重要性，并表明色彩空间（本质上是原始 RGB 图像的变换）会显著影响分类精度。此外，我们表明某些类别的图像在特定色彩空间中表征更好，而对于像 CIFAR 和 Imagenet 这样类别数高度变化的数据集，使用在同一模型中考虑多种色彩空间的模型可达到极好的精度水平。同时，我们表明这种将输入同时预处理为多个色彩空间的模型，需要远更少的参数即可获得高分类精度。例如，我们具有 1.75M 参数的模型显著优于拥有 12M 参数的 DenseNet 100-12，并在 CIFAR-10、CIFAR-100、SVHN 和 Imagenet 这四个竞争性图像分类数据集的分类上给出了与具有 25.6M 参数的 Densenet-BC-190-40 相当的结果。我们的模型本质上将 RGB 图像作为输入，同时将该图像转换为 7 种不同的色彩空间，并将其作为各个 densenet 的输入。我们使用小而宽的 densenet 以减少计算开销和所需超参数数量。我们在这些数据集上当前最先进结果的基础上取得了显著改进。
引用
@article{arxiv.1902.00267,
title = {ColorNet: Investigating the importance of color spaces for image classification},
author = {Shreyank N Gowda and Chun Yuan},
journal= {arXiv preprint arXiv:1902.00267},
year = {2019}
}