3D卷积“LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks”

最新推荐文章于 2024-07-15 02:38:59 发布
最新推荐文章于 2024-07-15 02:38:59 发布
阅读量1.2k 收藏 3
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cv_family_z/article/details/94725700
版权

LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks

3D卷积计算量大，消耗内存多，论文提出了修正的局部相量（ReLPV）模块替换标准的3D卷积，在3D局部邻域（3×3×3）内提取输入特征图每个位置的相，获取特征图。这个相是通过计算每个位置3D局部邻域内多个固定的低频点的3D短时傅里叶变换（STFT），不同频域点的特征图线性组合输入激活函数。滤波器尺寸大小从3×3×3到13×13×13变化，ReLPV的参数量降低了到倍，相比于标准的3D卷积，ReLPV的效果更好。

 

3D卷积的几个问题：（1）计算量大，（2）模型尺寸大，（3）易过拟合，（4）特征学习能力有待进一步提升。

 

方法介绍

定义3D CNN网络的特征图为，其中h,w,d和c分别为特征图的宽、高、深及通道数目。

ReLPV模块是3D卷积层的替换表示，有四层结构，下图显示了ReLPV的结构：

最低0.47元/天 解锁文章
cv_family_z
关注
62_LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks 2019 论文笔记
阿婷的博客
09-26 775
LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks 代码地址： https://sites.google.com/view/lp-3dcnn/home(400错误找不到) 关键词： Rectified Local Phase Volume (ReLPV) block(校正局部相位体积(ReLPV)块：局部相位模块、ReLU激活函数和一组可训练线性权值组成) ReLPV块代替3D卷积层 问题： ...
3D Convolutional Neural Networks for Human Action Recognition
xiaofei0801的博客
06-07 2551
认识到现实世界环境中的人类行为，可以发现各种领域的应用，包括智能视频监控，客户属性和 购物行为分析。  然而，由于混乱，准确地识别行动是一项非常具有挑战性的任务 背景，闭塞和观点变化等[1]，[2]，[3]，[4]，[5]，[6]，[7]，[8]，[9]，[10] [11]。 目前的大多数方法[12]，[13]，[14]，[15]，[16]做出了某些假设 （例如，小规模和观点变化）关于视
论文翻译：LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks
04-16 424
引言 传统的3D卷积神经网络（CNN）计算成本高，内存密集，容易过度拟合，最重要的是，需要改进其特征学习能力。为了解决这些问题，我们提出了整流局部相位体积（ReLPV）模块，它是标准3D卷积层的有效替代方案。所述ReLPV 块提取相在3D局部邻域（例如，\(3×3×3\)）输入图的每个位置以获得特征图。通过在每个位置的3D局部邻域中的多个固定低频点处计算3D短期傅里叶变换（STFT）来提...
新冠肺炎胸部 CT扫描数据集上基于3D-CNN实现二分类
最新发布
爱CV
07-15 52
本示例将展示构建3D卷积神经网络（3D CNN），以预测电子计算机断层扫描（CT）是否感染新冠病毒肺炎。2D CNN通常用于处理RGB图像（3个通道）。3D CNN：它将3D数据或2D帧序列（例如CT扫描中的切片）作为输入，这个架构可以从3D深度或者连续视频帧中产生多通道的信息，然后在每一个通道都分离地进行卷积和下采样操作。最后将所有通道的信息组合起来得到最终的特征描述。当我们说卷积神经网络（CNN）时，通常是指用于图像分类的二维CNN。
《3D Convolutional Neural Networks for Human Action Recognition》论文阅读笔记
gzj_1101的专栏
03-08 1664
前言 行为识别是目前非常火的一个方向，3D CNN算是基于视频的行为识别的一分奠基性的工作。目前行为识别的应用相当的广泛。但由于背景混乱、闭塞和视觉变化等原因（cluttered backgrounds，occlusions &viewpoing variations），对行动的准确识别是一项非常具有挑战性的任务。目前的大多数方法对视频采取了想当然的假设，例如，小规模和观点变化；但这样的...
深度学习文章阅读2--3D Convolutional Neural Networks for Human Action Recognition
karen17的博客
08-29 6540
摘要 本文希望在监控视频中识别人体行为。当前的方法大都从原始输入数据中计算复杂的手工特征来构建分类器；CNN是一种深度神经网络模型，但当前CNN仅能处理2D的输入；在本文中我们构建了一个3D CNN模型来完成行为识别，该模型通过执行3D卷积从空间和时间维度提取特征，从而捕获在多个相邻帧中编码的运动信息。该模型从输入帧生成多个信道，最后的特征表示组合了来自所有信道的信息。为了进一步提高性能，本
3DSRnet: Video Super-resolution using 3D Convolutional Neural Networks论文笔记
Ytravel的博客
02-27 1749
3DSRnet: Video Super-resolution using 3D Convolutional Neural Networks论文笔记 论文链接 一. 简介 虽然2D-CNNs 在图像建模方面具有强大的功能，但3D-CNNs 更适合于时空特征提取，因为它可以保存时间信息。 本文提出了有效的3D-CNN 视频超分辨率，不需要运动对齐作为预处理。 本文的3DSRnet 保持时空特征图的...
Convolutional-Recurrent-Neural-Networks-for-Relation-Extraction:卷积递归神经网络用于关系提取的Tensorflow实现
05-15
卷积递归神经网络用于关系提取 使用卷积递归神经网络的关系提取挑战的深度学习方法（ ）。 实验结果 参数 测试数据准确性 F1分数 最大CRNN 73％ 74.28 CRNN-Att 65.95％ 70.14 用法 火车 火车数据位于“ ...
Hands-on-Convolutional-Neural-Networks-with-Tensorflow:Packt发行的具有Tensorflow的动手卷积神经网络
05-28
使用TensorFlow的动手卷积神经网络 这是Packt出版的[带TensorFlow的动手卷积神经网络]（本书的Packt UTM URL）的代码存储库。 使用TensorFlow和Python建模解决计算机视觉问题 这本书是关于什么的？ 卷积神经网络...
[Paper 学习笔记] Multi-Scale 3D Convolutional Neural Networks for Lesion Segmentation in Brain MRI
Dania的思考与记录
07-18 2599
这篇文章与之前看过的3D CNN那篇文章属于同一个模型下的两个应用： http://blog.csdn.net/sinat_31824577/article/details/51779228一、简介本文提出一个用于脑损伤分割的11层，双通道的3D卷积神经网络系统，在多尺度环境下响应多模3Dpatch分割出病灶的三维像素，发现可在28个样本下成功训练该模型，实验结果证实改模型的有效性，除此之外，网络
3D-CNN-3D-images-Tensorflow.zip
09-17
3D-CNN-3D-images-Tensorflow.zip,基于cnn（卷积神经网络）的三维图像分类,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。
3D 三维卷积神经网络CNN(MATLAB).zip
05-19
3D 三维卷积神经网络CNN(MATLAB).zip 3D 三维卷积神经网络CNN(MATLAB).zip
3D 卷积神经网络：将任意 2D CNN 扩展为 3D CNN，扩展了 Mathworks 大部分官方预训练权重模型的通用性！-matlab开发
05-31
将任何 2D CNN 扩展到 3D CNN，以用于动作识别等研究。 它为 Mathworks 的大多数官方预训练权重模型扩展了多功能性！ （ https://ww2.mathworks.cn/matlabcentral/fileexchange/?q=profileid:8743315 ）
CNN-3D-images-Tensorflow：使用CNN（卷积神经网络）进行3D图像分类
02-01
使用Tensorflow的CNN 3D图像 目标：使用CNN（卷积神经网络）进行MRI分类任务 代码依赖关系：Tensorflow 1.0，Anaconda 4.3.8，Python 2.7 从3D医学图像学习模型的困难 数据大小太大。 例如218x182x218或256x256x40 数据数量有限。 换句话说，训练规模太小。 所有图像看起来都非常相似，并且主体之间只有细微的差别。 可能的解决方案 配备好的机器，尤其是RAM 在预处理中对图像进行下采样 数据扩充，例如旋转，移位，组合 转移学习
利用tensorflow实现3DCNN
04-25
Tensorflow 3D CNN
3D-CNN
热门推荐
qinxin_ni的博客
12-01 1万+
Q1:什么是2D卷积（多通道） A1:这里假设输入层是一个 5 x 5 x 3 矩阵，它有 3 个通道。过滤器则是一个 3 x 3 x 3 矩阵。首先，过滤器中的每个卷积核都应用到输入层的 3 个通道，执行 3 次卷积后得到了尺寸为 3 x 3 的 3 个通道。 面向多通道的 2D 卷积的第一步：过滤器每个卷积核分别应用到输入层的 3 个通道上，之后，这 3 个通道都合并到一起（元素级别的加法）组成了一个大小为3 x 3 x 1 的单通道。这个通道是输入层（5 x 5 x 3 矩阵）使用了过滤...
3D CNN
qq_30006593的博客
09-24 5980
1.        3D CNN 1.1.        C3D16 直接将vgg扩展为3d形式，参数较多。 1.2.        3D Resnet v117 将resnet直接扩展为3d，未预训练的模型在小训练集（activitynet）上效果不好，大训练集（kinetics）上效果好。       Resnet3d与2d结构主要区别在于时间维度上的缩减要慢一
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值