清華大學提出：ColorNet 研究顏色空間對影像分類的重要性

2019 年 12 月 31 日
筆記

前戲

前幾天更了很多SOTA論文，比如（點擊可訪問）：

【導讀】今天分享一篇清華大學剛出的論文，研究思路很新穎。現在很多論文都是改模型，但本文介紹的論文更多的是從數據角度（顏色空間）來分析，也有點像數據增廣的意思。在常用的影像分類數據集上，改進效果十分明顯。

註：Amusi認為這篇論文對於你當前的研究會有一定幫助（特別是從事影像分類、目標檢測和影像分割等方向的同學）

正文

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

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

github：None

作者團隊：清華大學

ACCV 2018

註：2019年02月01日出的paper

Abstract：影像分類是電腦視覺中的基本應用。最近，更深的網路和高度連接的網路已經顯示出影像分類任務的最新性能。如今，大多數數據集都包含有限數量的彩色影像。這些彩色影像以RGB影像的形式作為輸入，並且在不修改它們的情況下進行分類。我們探索色彩空間的重要性，並表明色彩空間（基本上是原始RGB影像的變換）可以顯著影響分類準確性。此外，我們展示了某些類別的影像在特定顏色空間中更好地表示，並且對於具有高度變化的類別（例如CIFAR和ImageNet）的數據集，使用考慮同一模型中的多個顏色空間的模型提供了極好的準確度。此外，我們展示了這樣一種模型，其中輸入被同時預處理成多個顏色空間，需要更少的參數來獲得高分類精度。例如，我們的1.75M參數模型明顯優於具有12M參數的DenseNet 100-12，其結果與Densenet-BC-190-40相當，後者具有25.6M參數，用於分類四個競爭影像分類數據集，即：CIFAR-10， CIFAR-100，SVHN和Imagenet。我們的模型基本上將RGB影像作為輸入，同時將影像轉換為7個不同的顏色空間，並將它們用作各個密集網路的輸入。我們使用小而寬的密集網來減少計算開銷和所需的超參數數量。我們還對這些數據集的當前最新結果進行了顯著改進。

基礎影像處理知識

RGB to HSV