学习以少量颜色结构化图像及更多
计算机视觉与模式识别
2022-08-18 v1
摘要
颜色与结构是赋予图像意义的两大支柱。出于对神经网络识别的关键结构的兴趣，我们通过将颜色空间限制为仅几位来隔离颜色的影响，并寻找在此类约束下使网络能够识别的结构。为此，我们提出一种颜色量化网络 ColorCNN，它通过最小化分类损失来学习在有限颜色空间内结构化图像。基于 ColorCNN 的架构与洞见，我们引入 ColorCNN+，它支持多种颜色空间大小配置，并解决了先前在大颜色空间下识别精度差和视觉保真度不佳的问题。通过一种新颖的模仿学习方法，ColorCNN+ 学习像传统颜色量化方法那样聚类颜色。这减少了过拟合，并有助于在大颜色空间下提升视觉保真度与识别精度。实验验证 ColorCNN+ 在大多数情况下取得了极具竞争力的结果，在准确颜色下同时保留了网络识别的关键结构与视觉保真度。我们进一步讨论了关键结构与准确颜色之间的差异，及其对网络识别的具体贡献。对于潜在应用，我们展示了 ColorCNN 可用作面向网络识别的图像压缩方法。
引用
@article{arxiv.2208.08438,
title = {Learning to Structure an Image with Few Colors and Beyond},
author = {Yunzhong Hou and Liang Zheng and Stephen Gould},
journal= {arXiv preprint arXiv:2208.08438},
year = {2022}
}