【概述】
3DCNN是可以处理3D输入数据的卷积神经网络,结构与2DCNN相同,但是比2DCNN占用更多的内存空间和运行时间。另一方面,由于输入数据的信息很丰富,3DCNN可以给出更精确的结果。CNN架构包括resnet, LeNet, Densenet等,这些架构也以三维形式提供。
【3D卷积层】
卷积层采用卷积来检索图像信号中包含的特征。卷积层的输出称为特征图或者激活图。3D卷积操作比2D卷积操作更为复杂。
【3D池化层】
池化层用于减少图像的空间维度,同时仅保留最具描述性的像素。有 3 种常用方法可供使用:最大池化(选择最大值)、最小池化(选择最低值)、平均池化(值的平均值)。
【3D全连接层】
全连接层适用于之前已经展平的输入,它将一层中的每个神经元连接到另一层中的所有神经元。
【激活函数】
激活函数是一个数学函数,它考虑权重和偏差来确定哪个结果将转移到下一个神经元,可以分为线性激活函数和非线性激活函数。这种激活函数的选择取决于要解决的问题的类型。
非线性激活函数:
【3DCNN和2DCNN比较】
原文链接:https://www.reachiteasily.com/2021/06/3d-convolutional-neural-network-pytorch.html
此笔记仅供自己复习使用!