清华大学提出：ColorNet 研究颜色空间对图像分类的重要性

前戏

前几天更了很多SOTA论文，比如（点击可访问）：

• 商汤等提出：统一多目标跟踪框架
• TridentNet 处理目标检测中尺度变化新思路
• 改进SRN人脸检测算法，目前业界最强！

【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

RGB to HSV

RGB to CIE XYZ

RGB to CIE XYZ

RGB to CMYK

RGB to CMYK

所提出的网络结构

输入RGB图像同时转换为6个其他颜色空间（LAB、HSV、YUV、YCbCR、HED和YIQ），将这7种颜色空间的图像数据传递给单独的DenseNet。然后将每个DenseNet的输出分数传递到Dense Layer，这有助于对每个颜色空间进行加权预测。Dense Layer的输出用作最终分类。

Architecture of proposed model

实验结果

论文对CIFAR-10，CIFAR-100，SVHN和ImageNet进行了实验评估。

CIFAR-10

CIFAR-100

ImageNet

SVHN

注：实验效果真的很震撼，我觉得这篇论文的思路对当前很多work有很大的帮助。讨论数据本身，有效的数据增广，可能比单纯的改模型效果更加实际。