为什么使用 VGG16 进行迁移学习不利于图像色彩饱和度答案

【问题标题】：Why is transfer learning using VGG16 bad for image coloursatinon为什么使用 VGG16 进行迁移学习不利于图像色彩饱和度
【发布时间】：2022-08-03 00:25:59
【问题描述】：

我正在训练一个模型来为黑白图像着色。到目前为止，我找到了两种方法；

使用 vgg16 进行迁移学习
从头开始的自动编码器
我两者都做了，并注意到使用 vgg16 进行迁移学习，虽然它训练得更快，但与实现自动编码器相比，它产生了糟糕的结果。这是为什么？另外，你能提供更多的方法吗？

我投票结束这个问题，因为它与 help center 中定义的编程无关，而是关于 ML 理论和/或方法 - 请参阅 stackoverflow.com/tags/machine-learning/info 中的介绍和注意事项

【解决方案1】：

具有 ImageNet 权重的 VGG-16 可能不适合着色问题。 VGG 是针对图像分类问题开发/训练的神经网络。您可以使用 ImageNet 权重，这将有助于自定义图像类的迁移学习，例如 Cats vs Dogs 或 Cars vs Bikes（常见类）。

自动编码器是完全不同类型的神经网络，专注于输入 -> 输出映射。自动编码器非常适合此类问题，您输入一种类型的图像并获得同一图像的修改版本，无论是着色还是去噪，仅举几例自动编码器的用途。

作为替代方案，您可以将 U-Net 与 GAN 结合使用来解决此问题。更多详情here

【讨论】：

您能否提供更多信息或链接资源，说明为什么自动编码器在这种情况下优于 vgg16，谢谢
VGG 是针对图像分类问题开发/训练的神经网络。您可以使用 ImageNet 权重，这将有助于自定义图像类的迁移学习，例如 Cats vs Dogs 或 Cars vs Bikes（常见类）。自动编码器是完全不同类型的神经网络，专注于输入 -> 输出映射。
添加一个几乎与原始答案一样长的“评论”的澄清没有多大意义 - 请编辑和更新你的回答相应。