Aprendizaje profundo - Red neuronal convolucional 3D (3DCNN)

1. 3DCNN entiende que
la convolución 2D solo considera la información espacial de las imágenes 2D, por lo que solo es adecuado para tareas de comprensión visual de una sola imagen 2D. Al procesar imágenes o videos 3D, la entrada de la red tiene una dimensión más, y la entrada consta de $(c,altura,\_\_\_\_\_width)$变为了$(c,profundidad,\_\_\_altura,\_\_\_\_\_ancho),$ dondecc$\_$$\_$$\_$$c$ es el número de canales,$depth$ es el ancho de los datos de entrada. Por lo tanto, al procesar los datos, la convolución debe transformarse en consecuencia, de convolución 2D a convolución 3D.
Sobre la base de la convolución 2D, se propone la convolución 3D. La convolución 3D tiene una dimensión más que la convolución 2D en estructura, y el tamaño de la convolución 2D se puede expresar como$k_{}\times k_{}$, y el tamaño de la convolución 3D se puede expresar como $k_{}\times k_{}\times k_{}$. La fórmula de cálculo específica de la convolución 3D es similar a la de la convolución 2D, es decir, cada vez que deslizas, es lo mismo que $c$ canales, el tamaño es$(profundidad,\_\_\_altura,\_\_\_\_\_ancho)\; las\; imágenes\; se\; multiplican\; y\; se\; suman\; para\; obtener\; unvalor\; en\; el\; mapadecaracterísticas\; de\; salida,\; comose$ muestra en la figura.

视频输入的维度：$ensulugar{\_}_{}\times ensulugar{\_}_{}\times ensulugar{\_}_{}\times ensulugar{\_}_{}$;
Dimensiones del núcleo de convolución 3D: $ensulugar{\_}_{}$Una dimensión paralela es $Kernel\_\_\_{\_}_{}\times Kernel\_\_\_{\_}_{}\times Kernel\_\_\_{\_}_{}$El núcleo de convolución;
núcleo de convolución 3D en $T,W,H$ se mueve en tres direcciones.

Referencia:
CNN 3D