¿Por supuesto, por qué no? Un píxel en escala de grises consta de un canal con valores [matemáticos] 2 ^ 8 [/ matemáticos] mientras que un píxel de color consta de 3 canales RGB con [matemáticos] 2 ^ {8 + 8 + 8} = 2 ^ {24} [/ matemáticos ] valores de color. Una máquina de vectores de soporte (SVM) obviamente no debería alimentarse directamente de los píxeles de color, sino que debería alimentarse de características de color aprendidas o diseñadas.
Puede usar capas convolucionales para extraer características de color que se introducen directamente en un SVM lineal y optimizarlas conjuntamente usando algoritmos de descenso de gradiente estocástico (SGD) y de retropropagación. También es posible obtener una red neuronal convolucional profunda pre-entrenada como AlexNet y usar sus características de alto nivel para manejar un SVM lineal simple, un proceso llamado aprendizaje de transferencia.
El resultado será un sistema de reconocimiento o coincidencia de patrones que puede aprender a unir o reconocer el color en las imágenes, por supuesto, si el color es un diagnóstico del problema en cuestión.
- ¿Por qué debería uno aprender el aprendizaje automático desde cero en lugar de aprender a usar las bibliotecas disponibles?
- ¿Qué tan pronto la automatización afectará el futuro del arte conceptual?
- ¿Hasta dónde nos pueden llevar las redes neuronales / de aprendizaje profundo / IA para encontrar una solución al problema de las noticias falsas?
- ¿Cuáles son algunos pequeños proyectos iniciales en aprendizaje automático de regresión lineal que un principiante puede hacer en 2-3 días?
- ¿Cuál es un buen libro para estadísticas como una consideración de ML para principiantes?
Espero que esto ayude.
