Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title The Influence of Colour on Image Classification and Face Recognition: Comparing the Performance of Convolutional Neural Networks Using Multiple Datasets, Network Architectures, and Image Chromaticities
Organization Unit
Authors
  • Vincent A. Rüegge
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2021
Abstract Text Recognition of colour is an essential part of our visual system and impressive neural resources are devoted to colour vision. With the emergence of Convolutional Neural Networks (CNNs) from Artificial Intelligence (AI) and AI’s goal to simulate vision, the influence of colour on artificial image classification and face recognition gained further attraction in recent years and remains subject to much debate until today. In this thesis, we compare the performance of CNNs using four datasets, six network architectures, and two image chromaticities to investigate on the influence of colour on image classification and face recognition. To extend our analysis beyond the application of pre-existing network architectures, we implement a novel CNN architecture, R-G-B, that learns convolutional filters on the colour channels of an RGB image separately and fuses those layers later in the network architecture, allowing us to investigate on the influence of processing colour within CNNs. Our results suggest that colour does improve performance on both, image classification and face recognition at the expense of computational costs. Furthermore, R-G-B networks are applicable but do not improve performance and are outperformed by regular networks trained on either RGB or greyscale images.
Zusammenfassung Das Erkennen von Farben ist ein wesentlicher Bestandteil unseres Gehirns und ein Grossteil der neuronalen Ressourcen wird dafür eingesetzt. Mit dem Aufkommen von Convolutional Neural Networks (CNNs) aus dem Bereich Artificial Intelligence (AI) und dem Ziel von AI, Sehen zu simulieren, gewann der Einfluss von Farbe auf künstliche Bild- und Gesichtserkennung in den letzten Jahren an Bedeutung und ist auch heute noch Gegenstand kontroverser Diskussionen. In dieser Arbeit vergleichen wir die Leistungsfähigkeit von CNNs im Hinblick auf den Einfluss von Farbe auf Bild- und Gesichtserkennung. Dazu verwenden wir vier Datensätze, sechs Netzwerk-Architekturen, und zwei Bild-Chromatizitäten. Um unsere Analyse in der Anwendung von bestehenden Netzwerk-Architekturen zu erweitern, implementieren wir eine neue Netzwerk-Architektur, R-G-B, welche die Netzwerk-Filter auf den einzelenen Farbkanälen eines RGB Bildes anwendet und später in der Netzwerk-Architektur zusammenführt. Somit können wir den Einfluss von Farbverarbeitung innerhalb eines Netzwerkes untersuchen. Unsere Resultate zeigen, dass Farbe die Leistungsfähigkeit erhöht, sowohl für Bild- wie auch für Gesichtserkennung, allerdings auf Kosten der Berechnungszeit. Zusätzlich zeigen unsere Resultate, dass R-G-B Netzwerke anwendbar sind, die Leistungsfähigkeit jedoch nicht erhöhen und sowohl von regulären Netzwerken trainiert auf RGB Bildern, wie auch von regulären Netzwerken trainert auf Grauwert Bildern in der Leistung übertroffen werden.
PDF File Download
Export BibTeX