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
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
喜欢请打赏，一毛两毛也是个意思，么么哒
支F宝账号：2363891614@qq.com
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/132268.html原文链接：https://javaforall.net
