3D CNN框架结构各层详细计算过程

2D CNN和3D CNN的区别

2D CNN：
利用2D CNN对视频进行操作，一般是对视频的每一帧图像分别利用CNN来进行识别，这种方式的识别不会考虑时间维度的帧间运动信息。以下是传统2D CNN对图像采用2D卷积核进行操作的示意图：

3D CNN：
使用3D CNN能更好的捕获视频中的时间和空间的特征信息，以下是3D CNN对图像序列（视频）采用3D卷积核进行卷积操作：

上面进行卷积操作的时间维度为3，即对连续的三帧图像进行卷积操作，上面的 3D卷积是通过堆叠多个连续的帧组成一个立方体，然后在立方体中运用3D卷积核。在这个结构中，卷积层中每一个特征map都会与上一层中多个邻近的连续帧相连，因此捕捉运动信息。例如上面左图，一个卷积map的某一位置的值是通过卷积上一层的三个连续的帧的同一