我有一个关于卷积神经网络的基本问题。假设我有一组 1000 个 RGB 图像，我从这组图像中训练一个 CNN。我显然可以将每个 RGB 图像分成 3 个不同的灰度图像，每个代表红色、绿色和蓝色阵列 - 从而创建 3000 个灰度图像。
我的问题是：如果我从这 3000 张灰度图像中训练一个 CNN，我会从第一个 CNN 获得相同的参数吗？更准确地说，当我们输入 RGB 图像时，CNN 的行为如何？它是从 RGB 图像中提取组合特征，还是仅仅分别学习每个 R、G、B 通道中的特征？
具有级联数据的 ConvNet
数据挖掘
机器学习
深度学习
神经网络
卷积神经网络
2022-02-15 00:04:46
2个回答
它在通道维度上表现得像一个完全连接的网络。对于每个像素位置，CNN 采用通道维度上该位置的所有像素的加权和。权重当然是可训练的。
不过，这仅适用于第一层，因为之后的层有任意数量的通道，这些通道与原始图像中的颜色无关。
您还可以阅读这个答案，我在其中更详细地解释了操作的工作原理。
感谢您的回答。所以在这种情况下，如果我输入 1000 个 RGB 图像和 3000 个从这 1000 个 RGB 图像中分离出来的灰度图像，我会得到不同的网络参数，对吗？还有最可能不同的网络维度，对吧？
我问这个问题是因为我正在处理稍微复杂一点的数据结构，而不是 RGB 图像，我将处理由 12 个通道组成的多光谱图像。RGB 图像通常只有 3 个通道（如果 Alpha 被激活并且 JPEG 显然无法处理 Alpha 通道，则为 4 个）。