我在使用 OpenCV 时偶然发现了这个问题，它以 BGR 顺序将彩色图像存储在内存中，而我所知道的大多数其他库都使用 RGB 顺序。
这种差异有多重要？我可以将 BGR 图像用于 RGB 训练的网络吗？显然，消防车在大多数地区是红色的，而不是蓝色的。但是CNN不是在寻找纹理而不是简单的颜色吗？
即使假设存在差异 - 在训练期间应用通道排列作为一种数据增强是否仍然有意义？这会将纹理光谱从每个原始通道传播到其他通道，再次假设颜色并不是那么重要。
我很想知道这样的研究是否已经完成——如果没有，我会感到惊讶。
我可以将 BGR 图像用于 RGB 训练的网络吗？
我认为性能会比RGB输入差很多。
如果增强导致图片之间存在较大的分布差异（例如，旋转），则强制它们的标签不变性可能很难解决，并且通常会损害性能。
为了应对这一挑战，我们建议学习增强样本的原始标签和自我监督标签的联合分布。
增强：使用整个输入图像的两个变换
1.这种变换由于其简单性而rotation (0◦,90◦, 180◦, 270◦)
被广泛用于自我监督
2.Color permutation
构造 M = 3！= 通过交换 RGB 通道获得 6 个不同的图像当颜色信息很重要（例如细粒度分类数据集）时，这种转换可能很有用
任务相关但可能很重要。
让我们找到一些将亮度与色度分开的任意表示（表示为颜色 2D 向量）？
这样，您就可以检测独立于颜色的明亮物体，而彩色物体则不太依赖于亮度。显然，假设你是颜色不可知论者。
检查这篇论文，他们在哪里应用了这种排列增强