深層学習 - 3D 畳み込みニューラル ネットワーク (3DCNN)

1. 3DCNN は、
2D 畳み込みが 2D 画像の空間情報のみを考慮することを理解しているため、単一の 2D 画像を視覚的に理解するタスクにのみ適しています。3D 画像またはビデオを処理する場合、ネットワークの入力にはもう 1 つの次元があり、入力は$(c、高さ、\_\_\_\_width)$变了( c , 奥行き , 高さ , 幅 ) (c,奥行き,高さ,幅$)$$(c、深さ、\_\_高さ、\_\_\_\_width)、$ここで$c$はチャネル数、$depth$は入力データの幅です。したがって、データを処理するときは、それに応じて畳み込みを 2D 畳み込みから 3D 畳み込みに変換する必要があります。
2D コンボリューションに基づいて、3D コンボリューションが提案されます。3D 畳み込みの構造は 2D 畳み込みよりも 1 次元多く、2D 畳み込みのサイズは$k_{}\times k_{}$、3D 畳み込みのサイズは$k_{}\times k_{}\times k_{}$。3D コンボリューションの具体的な計算式は 2D コンボリューションの計算式と似ています。つまり、スライドするたびに$c$チャネル、サイズは$(深さ、\_\_高さ、\_\_\_\_width)の$画像が乗算および加算されて、図に示すように出力特徴マップの値が得られます。

ビデオ入力の度合い：$入れた\_{\_}_{}\times 入れた\_{\_}_{}\times 入れた\_{\_}_{}\times 入れた\_{\_}_{}$;
3D コンボリューション カーネルの次元: $入れた\_{\_}_{}$並列次元は、$カーネル\_\_\_{\_}_{}\times カーネル\_\_\_{\_}_{}\times カーネル\_\_\_{\_}_{}$コンボリューション カーネル; T 、 W 、 HT、 W、 H
の 3D コンボリューション カーネル$て、わ、H\; は$3 方向に移動します。

参考：
3D CNN