Python 我们可以使用一维卷积进行图像分类吗？

我有形状（100，100，3）的图像，我想使用keras对图像进行分类。 我想知道这是否可行，以及我需要使用的输入的形状

---

PS：我使用

tf.data.Dataset

，我的数据集是成批处理的（20、100、100、3）。

我假设你指的是跨层卷积图像的1x1卷积。在您的情况下，图层代码为：

tf.keras.layers.Conv2D(filters=NUM_FILTERS, kernel_size=1, strides=1)

Conv1D确实适用于@MatusDubrava指出的1d数据处理（如声音）。

我们应该使用1d卷积进行图像分类吗？ TLDR不是自己写的，但如果是组合的话可能会

图像中像素之间的相关性（由于多个通道，可能是2D或3D）具有空间性质：给定像素的值高度受相邻像素的垂直和水平影响。二维/三维卷积（

Conv2D

或

Conv3D

）的优势在于，它们能够在垂直和水平两个空间方向上捕获这种影响

相比之下，1D卷积或

Conv1D

仅捕获两种相关性（垂直或水平）中的一种，因此产生的信息更为有限。单个

Conv1D

本身会遗漏大量信息

尽管如此，由于Conv2D可以“分解”为两个

Conv1D

块（这类似于MobileNet体系结构中的点向和深度卷积），串联垂直

Conv1D

和水平

Conv1D

捕获两个轴上的空间相关性。这是一种有效的图像分类方法，可以替代

Conv2D

我们可以使用一维卷积进行图像分类吗？怎么用？ 是的，我们可以

您应该而不是重塑数据以减少尺寸：如果这样做，您将把图像的一端（如果垂直应用Conv1D，则为顶部）与另一端（例如底部）粘在一起，这会破坏空间一致性

这是一个可能的示例，说明如何（实现上面解释的连接）：

将tensorflow导入为tf
x=tf.random.normal（input_shape=（20100100,3））#您的输入批次
#水平Conv1D
y_h=tf.keras.layers.Conv1D(
filters=32，kernel\u size=3，activation='relu'，input\u shape=x.shape[2:]（x）
#垂直Conv1D
y_v=tf.transpose（x，perm=[0,2,1,3]）#图像行到列
y_v=tf.keras.layers.Conv1D(
filters=32，kernel\u size=3，activation='relu'，input\u shape=x.shape[2:]（x）
#y_v=tf.transpose（y_v，perm=[0,2,1,3]）#撤销转置，可选
#连接结果
y=tf.keras.layers.Concatenate（轴=3）（[y_h，y_v]）#在要素图上连接

请注意，需要多次操作才能获得结果（垂直轴和水平轴上的卷积），直接应用

Conv2D

可以更容易、更快地获得结果

我们什么时候用这个？

---

如果图像数据在一个轴上特别缺乏信息，而在另一个空间轴上特别有趣，那么这可能是一个值得探索的想法。否则最好使用标准的

Conv2D

（大多数情况下，包括几乎所有的公共图像数据集）。

你可以，但你有什么好的理由吗？我认为一维卷积滤波器无法在图像的情况下构建非常有趣的模式。无论如何，您需要做的就是将图像重塑为1d conv所期望的格式。-您需要将宽度和高度尺寸展平为一。以下是一个相关阅读：