我已经创建了不同类别的低赫兹信号的频谱图。它们都有一个纯蓝色的前景，几乎没有其他彩色像素，即使对我来说，通过人类的视觉来区分这些类别也不容易。现在我想训练一个 CNN 对这些频谱图图像进行二进制分类。无论我如何构建网络，无论配置和参数如何——它不会学习，损失不会减少。
我找到了原因：CNN 的卷积过滤器擅长区分形式和形状，但不是真正的纯色。
CNN 如何学习颜色？我错过了什么吗？也许有比 CNN 更合适的模型？
这是两个几乎没有区别的类别的示例，仅在色调上：
还有2张图片：
EDIT1：这两个类的图像并非都具有相同的流行颜色；有些有黄色/绿色条纹，有些有较浅或较深的颜色等。因此这些类不仅包含特征颜色。我的目标是使用 CNN 对这些图像进行分类，但不知何故，CNN 无法从几乎只包含颜色的图像中学习，而如果图像中有锐利的边缘、边界、类似物体的元素，CNN 就会很好地学习。
CNN 可以学习颜色，有些 CNN只是为了检查汽车的颜色而开发的。但是当颜色比形状更相关的特征时，在处理分类时有一些值得分析的点。
数字彩色图像通常表示为像素 2D 网格，其中每个像素是具有 3 或 4 个元素的矢量（后一种情况定义不透明度）。通常，我们使用 RGB 颜色空间处理图像，因为这是我们的视网膜用来为细胞着色的表示。
但是有多种颜色空间可用于表示图像，主要是 3 维的 RGB，但每个颜色空间都有不同的方法，它们之间的转换并不总是线性的。使用 HSV 和 HSL 检查哪个最适合您的问题。（前面提到的论文，还有其他例子）。
有一堆 CNN 架构，是根据不同的直觉和目标开发的。例如，U-Net 的开发考虑了图像分割，通过将浅路径与深层路径保持一致来减少信息丢失。
大多数架构在创建时都考虑到了形状，试图捕捉图像中的局部细微差别，并且通常使用小内核，例如 3x3、5x5 等。
将颜色作为主要特征处理，这些局部差异可能不是您希望内核学习提取的最相关的特征，更多的全局补丁（即更大的内核）可能会更好。
这些图可以看起来像表面，并且在垂直轴和水平轴之间有一些已知的关系，也许非对称内核可能更具功能性，并且还避免了使用太大内核时的速度损失。
我会使用交替大小调整图层。例如 30x3 然后 3x30 内核，没有填充。