Computer vision 有人能解释一下如何在caffe中使用Conv3d和ConvND吗？

有人能解释一下如何使用

Conv3D

或

ConvND

进行

深度图像

或视频或

Caffe

中几乎任何3d（n-d？）数据吗？

---

是否有Conv3D的示例或演示

您可以使用常规的

“卷积”

层来处理任何维度的blob。您只需密切关注以下参数：

layer {
  type: "Convolution"
  name: "conv_nd"
  bottom: "in" # 5D blob 
  too: "out"
  convolution_param {
     kernel_size: 3
     kernel_size: 5
     kernel_size: 5 # define 3 by 5 by 5 kernel

     pad: 1
     pad: 2
     pad: 2  # pad according to kernel size

     stride: 1
     stride: 2
     stride: 2 # you can have different stride for different dimensions

     axis: 1  # the "channel" dimension
     num_output: 30 # output 30 dim per 3D voxel
  }
}

---

欲了解更多信息，请阅读。

3×5×5

=

深度×高度×宽度

中有关卷积参数的注释，我说得对吗@Shai@thigi坦白地说，我不是100%确定这里的维度顺序。你可能需要试一试。@Shai:谢谢，所以告诉我我是否正确。假设我有5个200x200色框用于输入，我的第一个conv层有10个输出（num_输出）。这是怎么发生的？与普通的Conv2D相比，有一个内核应用于输入，给出了一个新的特征映射。因此，在Conv2D中，我们将有10个特征映射。在Conv3D中，每个内核应用于每个帧，为每个帧创建一个特征映射，结果叠加在一起。那么第一层的最终输出将是10*7个特征图？@shai:那么这些填充和跨步是如何使用的呢？一个垫子用于空间延伸，一个步幅也用于同样的事情。当填充不同时，两个分别用于宽度和高度。3在这里是什么意思？填充或跨步对时间延伸有什么意义？如果你有5个时间帧，每帧1个通道，那么你就有1×5×200×200的输入。如果

num\u输出：10

，则输出将是

10-x-5-x-200-x-200

（假设您根据内核大小进行填充）。