用灰度图像训练卷积神经网络最合适的方法？
利用Keras训练卷积神经网络，在使用彩色png图像(输入尺寸(高度、宽度，4))训练时，通常使用2D卷积层。然而，我现在想训练一个使用灰度png图像的网络，我想知道什么是最好的方法？
我想出了三种可能的方法：
- 像输入彩色图像一样输入图像。
- 只输入图像的第一个通道，因此输入的大小是(高度、宽度，1)。
- 使用图像的第一个通道的一维卷积，以便输入的大小是(高度、宽度)。
由于我的png格式的灰度图像在所有RGBA通道中都有相同的值，我认为我可以通过仅使用图像的第一个彩色通道进行训练和测试来减少计算时间，同时实现相同的测试精度，因为数据基本上是相同的。然而，情况并非如此。
采用方法一，每次训练3s，测试准确率可达91.95%。
方法二，每历次~2s，准确度为89.66%。
方法三，准确度为86.21%，每次<1s。
所有的网络都是使用相同的体系结构、内核大小和池大小进行培训的，所以我想知道是什么导致了准确性的差异，我应该最信任哪一个呢？
回答 1
Stack Overflow用户
发布于 2020-04-01 15:47:22
您的方法#3显然不等同于其他两种方法，也不是解决问题的方法(从较低的准确性也可以部分看出)。
现在，从理论上讲，您的方法#1和#2应该产生大致类似的结果，根据您所提供的准确性值，这与实际情况相差不远。
这两种方法都不是无效的。对于#1的精确度较高的一个可能的解释是，虽然这里实际上只是重复了一个单通道x3中包含的信息，但实际上这是一种集成(因为相关的卷积滤波器将从不同的随机初始化开始)；这将导致更多的“子模型”对输出做出贡献，从而根据对模型组件的一般期望获得更好的性能。当然，您应该通过运行多个实验来验证这种情况，并为每种方法取平均精度(由于不同的随机初始化，单个实验的结果总是不同的)。
事实上，CNN在单通道图像上的性能是一个尚未被充分探索的课题.自己做进一步的实验吧！
您报告的每幅图像的推理时间与不同的方法是一致的:一维卷积比2D卷积快，单通道图像的处理也比3通道图像快。
https://stackoverflow.com/questions/60974607
复制相似问题
腾讯云开发者
