我需要一些关于张量流中分离的3D卷积的帮助

Question

我是学生，正在研究深度神经网络。

我看到一篇标题为：

“3D Depthwise Convolution：减少3D视觉任务中的模型参数”

我需要实现本文介绍的3D可分离卷积。

我想让你指出我的消息来源。

separable_con V3的.朋友

def separable_conv3d(input, output_dim, depth_filter_channel=1, strides=1, padding='SAME', name=None):
    input_tensor_channel = input.get_shape().as_list()[-1]
    kernel1 = tf.Variable(tf.truncated_normal(shape=[batch_frame, 3, 3, input_tensor_channel, depth_filter_channel], stddev=0.1))
    feature_list = []
    for c in range(0, len(input_tensor_channel)):
        feature1 = conv3d(input.shape[:, :, c], weight=kernel1, strides=strides, padding=padding, name=name)
        feature_list.append(feature1)

    total_feature = tf.concat(feature_list, axis=-1)
    total_tensor_channel = total_feature.get_shape().as_list()[-1]
    kernel3 = tf.Variable(tf.truncated_normal(shape=[1, 1, 1, total_tensor_channel, output_dim]))
    pw1 = conv3d(input=total_feature, weight=kernel3, strides=strides, padding=padding, name=name)

return pw1

这是我引用的图像。

任何批评都是受欢迎的。这是真的。

Answer 1

我没有测试你的代码，但正如我在for循环中选择功能时所理解的那样，你使用3个维度并将c放入第3维，但据我所知，3D卷积是4D所以如果添加额外的维度则是正确的。我将很快测试和编辑你的代码。