清华大学提出：ColorNet 研究颜色空间对图像分类的重要性

2019 年 12 月 31 日
筆記

前戏

前几天更了很多SOTA论文，比如（点击可访问）：

【导读】今天分享一篇清华大学刚出的论文，研究思路很新颖。现在很多论文都是改模型，但本文介绍的论文更多的是从数据角度（颜色空间）来分析，也有点像数据增广的意思。在常用的图像分类数据集上，改进效果十分明显。

注：Amusi认为这篇论文对于你当前的研究会有一定帮助（特别是从事图像分类、目标检测和图像分割等方向的同学）

正文

《ColorNet: Investigating the importance of color spaces for image classification》

arXiv: https://arxiv.org/abs/1902.00267

github：None

作者团队：清华大学

ACCV 2018

注：2019年02月01日出的paper

Abstract：图像分类是计算机视觉中的基本应用。最近，更深的网络和高度连接的网络已经显示出图像分类任务的最新性能。如今，大多数数据集都包含有限数量的彩色图像。这些彩色图像以RGB图像的形式作为输入，并且在不修改它们的情况下进行分类。我们探索色彩空间的重要性，并表明色彩空间（基本上是原始RGB图像的变换）可以显著影响分类准确性。此外，我们展示了某些类别的图像在特定颜色空间中更好地表示，并且对于具有高度变化的类别（例如CIFAR和ImageNet）的数据集，使用考虑同一模型中的多个颜色空间的模型提供了极好的准确度。此外，我们展示了这样一种模型，其中输入被同时预处理成多个颜色空间，需要更少的参数来获得高分类精度。例如，我们的1.75M参数模型明显优于具有12M参数的DenseNet 100-12，其结果与Densenet-BC-190-40相当，后者具有25.6M参数，用于分类四个竞争图像分类数据集，即：CIFAR-10， CIFAR-100，SVHN和Imagenet。我们的模型基本上将RGB图像作为输入，同时将图像转换为7个不同的颜色空间，并将它们用作各个密集网络的输入。我们使用小而宽的密集网来减少计算开销和所需的超参数数量。我们还对这些数据集的当前最新结果进行了显著改进。

基础图像处理知识

RGB to HSV