本文主要是介绍3DCNN参数解析:2013-PAMI-3DCNN for Human Action Recognition,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
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
这篇关于3DCNN参数解析:2013-PAMI-3DCNN for Human Action Recognition的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!