3DCNN参数解析：2013-PAMI-3DCNN for Human Action Recognition「建议收藏」

大家好，又见面了，我是你们的朋友全栈君。

3DCNN参数解析：2013-PAMI-3DCNN for Human Action Recognition

3DCNN框架图

参数分析 Input：7 @ 60 × \times × 40， 7帧，图片大小60 × \times × 40

hardwired： H1 产生5通道信息，分别是gray, gradient-x, gradient-y, optflow-x, optflow-y。前三个对于每一张图片都计算得到一张图，后两个是相邻两张图片得到一张图。 因此，经过hardwired可以得到：7 × \times × 3 + 6 × \times × 2 = 33 经过hardwired可以得到33 @ 60 × \times × 40

3DCNN layer：C2 对于前面的5个通道，每个通道都用2个kernel size: 7 × \times × 7 × \times × 3 (7 × \times × 7是spatial dimension, 3是temporal dimension)的3D卷积（padding=0, stride=1） （（7-3+1） × \times × 3 + （6-3+1） × \times × 2） × \times × 2 = 23 × \times × 2 （5个通道分别有[5，5，5，4，4]个） 输出大小是：(60-7+1)/1 = 54; (40-7+1)/1 = 34 因此，经过C2可以得到 23 × \times × 2 @ 54 × \times × 34 C2的参数量：5 × \times × 2 × \times × （7 × \times × 7 × \times × 3+1）= 1480

Subsampling layer: S3 用2 × \times × 2的subsampling 输出：23 × \times × 2@27 × \times × 17 参数量：23 × \times × 2 × \times × 2=92

3DCNN layer：C4 对于前面的5个通道(5个通道分别有[5，5，5，4，4]个feature maps)，每个通道都用2个kernel size: 7 × \times × 6 × \times × 3 (7 × \times × 6是spatial dimension, 3是temporal dimension)的3D卷积（padding=0, stride=1），每个位置用了3个conv ((5-3+1) × \times × 3 + (4-3+1) × \times × 2 ) × \times × 2 × \times × 3 = 13 × \times × 6 （5个通道分别有[3，3，3，2，2]个） 输出大小是：(27-7+1)/1=21;(17-6+1)/1=12 因此，经过C4可以得到 13 × \times × 6 @ 21 × \times × 12 C2的参数量：5 × \times × 6 × \times × （7 × \times × 6 × \times × 3+1）=3810

Subsampling layer: S5 用3 × \times × 3的subsampling 输出：13 × \times × 6 @7 × \times × 4 参数量：13 × \times × 6 × \times × 2=156

CNN layer：C6 kernel size: 7 × \times × 4，num output = 128 (每个都和前面S5的78个feature map连接) 因此，经过C6可以得到 128 @ 1 × \times × 1 C6的参数量：128 × \times × 78 × \times × （7 × \times × 4+1）= 289536

最后一层： 输出3 classes, 全连接 参数量：3 × \times × 128 = 384

综上，整个网络的参数量是1480 + 92 + 3810 + 156 + 289536 + 384 = 295458

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/132268.html原文链接：https://javaforall.cn