当为R G B图像定义分割网络时，例如MXNet上的FCN-XS示例中的网络，输入 RGB 图像层被馈送到多个卷积、激活、池化等...
例如，卷积的定义如下：mxnet.symbol.Convolution(data=input， kernel=(3， 3(， pad=(1， 1(， num_filter=64， 工作区=workspace_default，名称="conv1_1"(
一方面，这里的卷积滤波器是2D的，这意味着每个颜色层R，G，B单独处理。另一方面，神经科学中众所周知，相关特征包含在颜色对比度中，而不是颜色通道本身中，即颜色应该相互减去，例如红色减去绿色或蓝色减去黄色。
如何通过网络结构强制执行？R G B组分是如何混合和组合的？
事实证明，mxnet 中的卷积是 3D 的：前两个维度反映图像坐标，而第三个维度反映深度，即特征空间的维度。对于输入层的 RGB 图像，深度为 3(除非它是深度==1 的灰度图像(。对于任何其他图层，深度是要素(过滤器(的数量。
因此，不需要明确指定沿深度维度的卷积，它总是(隐式(假设。因此，可以提取颜色对比度和其他涉及来自多个通道的数据的特征。例如，将水平和垂直特征相加可以产生拐角检测器......