将 Keras 预训练模型扩展到具有附加通道或波段的图像

我只是希望澄清之前一篇文章的一些信息，该文章讨论了如何将 Keras 预训练模型（如 VGG 或 InceptionV3）扩展到不同大小的图像。我的问题是我有一些 8 波段的卫星图像。所以图像可能是650x650x8而不是通常的 RBG 3 波段图像。我想知道是否可以在具有 8 个波段而不是 3 个波段的图像上使用 Keras 预训练模型。

现在有一篇原始文章涉及与此类似的内容。参考文章是关于将 Keras VGG 预训练模型应用于不同尺寸的图像。所以VGG接受了训练224x224x3用户想要针对以下图像使用该模型160x320x3.

这是原始帖子：更改 VGG16 应用程序的输入张量形状 https://stackoverflow.com/questions/41903051/change-input-tensor-shape-for-vgg16-application

这是原始帖子中的代码：

from keras.models import Model
from keras.layers import Dense,Flatten
from keras.applications import vgg16
from keras import backend as K

model = vgg16.VGG16(weights='imagenet', include_top=False, input_shape=(160,320,3))
model.summary(line_length=150)

flatten = Flatten()
new_layer2 = Dense(10, activation='softmax', name='my_dense_2')

inp2 = model.input
out2 = new_layer2(flatten(model.output))

model2 = Model(inp2, out2)
model2.summary(line_length=150)

因此，如果我将第 6 行替换为：

model = vgg16.VGG16(weights='imagenet', include_top=False, input_shape=(650,650,8))

这会起作用，还是预训练模型不会接受通道的增加，因为它会接受图像高度或宽度的变化？

此外，我还必须使用额外的通道对模型进行额外的训练。但我不清楚预训练模型如何实际实现此扩展。添加节点的权重是否只是设置为 0 或者某种初始化器确定的权重？我正在尝试估算我需要做多少额外训练。

感谢您的任何提示或建议。

来自喀拉斯docs https://keras.io/applications/#vgg16:

input_shape：可选形状元组，仅当 include_top 为 False 时才指定（否则输入形状必须为 (224, 224, 3) （使用 'channels_last' 数据格式）或 (3, 224, 224) （使用 'channels_first'数据格式）。它应该有 3 个输入通道，并且宽度和高度应该不小于 48。例如（200, 200, 3）将是一个有效值。

您将无法将此 VGG 实现用于多光谱图像。正如您已经提到的，这会给未经预训练的模型引入额外的权重。

多光谱图像的神经网络是一个相当活跃的研究课题，但恐怕很少有开箱即用的解决方案，例如在 imagenet 上预训练的网络。您可以尝试使用 PCA 等降维技术将图像压缩到三个通道。或者训练一个以 8 通道图像作为输入的自定义架构。