logo标签列表

使用彩色和灰度图像的训练数据集

normalizationconv-neural-network
4

我正在尝试训练一个用于人脸性别和年龄检测的卷积神经网络模型。我的训练集包含彩色和灰度面部图像。我该如何对这个数据集进行标准化处理？或者说，我该如何处理一个包含彩色和灰度图像混合的数据集呢？

请提供额外的细节。图像有多大？有多少个训练样本？可以使用预训练的网络吗？ - 00__00__00
2个回答
6
请记住，网络只会尝试学习标签（性别/年龄）与训练数据之间的关系，以它们呈现给网络的方式为准。
最优选择取决于您是否希望模型在未来处理灰度或彩色图像。
如果只想预测灰度图像
您应该仅对灰度图像进行训练！您可以使用许多方法将彩色图像转换为黑白图像：
- 三个RGB通道的简单平均值 - 使用圆柱形颜色空间（如HSV、HSL）的更复杂变换。在那里，您可以将其中一个通道用作灰度。通常，V通道比RGB的平均值更符合人类感知https://en.wikipedia.org/wiki/HSL_and_HSV 如果需要预测彩色图像
显然，从灰度图像中重构颜色没有简单的方法。因此，在训练期间必须同时使用彩色图像。
如果您的模型接受输入为MxNx3图像，则它也将接受灰度图像，只要您在三个RGB通道上复制信息即可。
你应该仔细评估你拥有的样例数量，并将其与所需训练集大小进行比较，以使用你想要的模型。 如果你有足够的彩色图像，则完全不使用灰度情况。 如果你没有足够的样例，请确保你对灰度/彩色情况进行了平衡的训练和测试集，否则你的网络将学习分别分类灰度与彩色。
或者，你可以考虑使用掩膜，并用掩膜值替换缺失的颜色通道。
进一步的替代方案你可以考虑： - 使用预先训练的CNN进行特征提取，例如VGGs在网上广泛可用，然后微调最后几层
对我来说，年龄和性别估计不会受到颜色存在/不存在的影响，降低问题到仅灰度图像可能会帮助你收敛，因为参数要少得多。 你应该考虑在姿态、方向等方面规范化你的图像。
2
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接