Python 如果我将LSTM输出与CNN输出连接起来,这是否有意义?
我正在尝试提高多帧输入的性能 在网络侧,我添加了一个带有200个通道的CONVLSM模块。修改后的网络无法达到与原始网络相同的性能水平Python 如果我将LSTM输出与CNN输出连接起来,这是否有意义?,python,deep-learning,pytorch,conv-neural-network,lstm,Python,Deep Learning,Pytorch,Conv Neural Network,Lstm,我正在尝试提高多帧输入的性能 在网络侧,我添加了一个带有200个通道的CONVLSM模块。修改后的网络无法达到与原始网络相同的性能水平 #Feature_200的意思是:“具有200个通道的功能地图” #原始网络管道: 编码器->功能\u 200->解码器 #修改第1条: 编码器->功能\u 200->转换->功能\u 200->解码器 #要实施: 编码器->功能\u 200->ConvLSTM->功能\u 100--concat-->功能\u 300->解码器 |
#Feature_200的意思是:“具有200个通道的功能地图”
#原始网络管道:
编码器->功能\u 200->解码器
#修改第1条:
编码器->功能\u 200->转换->功能\u 200->解码器
#要实施:
编码器->功能\u 200->ConvLSTM->功能\u 100--concat-->功能\u 300->解码器
| |
------捷径-->功能\u 200--
因此,我正在考虑将CONVLSM结果连接到原始网络的特征映射。这种结构是否有助于提高性能
(另外,我不确定使用“编码器”和“解码器”引用模块是否正确)您可以使用CONVLTM作为特征提取器,并使用连接的特征作为某些机器学习分类器(如随机林或SVM)的输入