Artificial intelligence 三维图像数据集的特征提取

假设使用SIFT、SURF或MSER方法进行2D图像特征提取的工作流，然后使用编码的单词/特征包，随后用于训练分类器

我想知道对于3D数据集是否有类似的方法，例如，MRI数据的3D体积。在处理二维图像时，每个图像表示一个实体，其中包含要检测和索引的特征。但是，在三维数据集中，是否可以从三维实体中提取特征？是否必须通过将3D图像分解为多个2D图像（切片）逐片执行此操作？或者有没有一种方法可以在保留3D信息的同时将3D维度降低到2D

---

任何指针都将不胜感激。

您可以通过预先训练的3D卷积神经网络传递3D体积来执行特征提取。因为预先训练的3D CNNs很难找到，你可以考虑在一个相似但不同的数据集上训练自己。 是一个3D CNN在千层面上的代码链接。作者使用了VGG和Resnet的3D CNN版本

或者，可以对体积的每个切片执行二维特征提取，然后使用PCA将每个切片的特征组合起来，以将维度降低到合理的程度。为此，我建议使用ImageNet预培训的Resnet-50或VGG

---

在凯拉斯，可以找到这些

假设一个灰度2D图像，该图像在数学上可以描述为一个矩阵。推广矩阵的概念会在理论上产生关于（非正式地，你可以想到多维数组）的结果。即，RGB 2D图像表示为大小为[宽度、高度、3]的张量。此外，RGB 3D图像表示为大小[宽度、高度、深度，3]的张量。此外，与矩阵一样，还可以执行张量-张量乘法

例如，以2D图像为输入的典型神经网络。这样一个网络基本上只做矩阵乘法（尽管节点上存在元素非线性运算）。同样，神经网络通过执行张量乘法对张量进行操作

现在回到你的特征提取问题：事实上，张量的问题是它们的高维性。因此，现代研究问题关注保留初始（最有意义）信息的张量的有效分解。为了从张量中提取特征，张量分解方法可能是降低张量秩的良好开端。关于机器学习中张量的几篇论文如下：

---

希望这能有所帮助，尽管后面的数学并不容易。

与python或matlab有什么关系？