3D CNN 在图像序列上的输入形状应该是什么？

Question

https://pytorch.org/docs/stable/generated/torch.nn.Conv3d.html#conv3d说明在3D CNN上做卷积的输入是(N,C_in,D,H,W)。想象一下，如果我有一系列图像要传递给 3D CNN。我说得对吗：

N -> 序列数（小批量）
C_in -> 通道数（rgb 为 3）
D -> 序列中的图像数量
H -> 序列中一张图像的高度
W -> 序列中一张图像的宽度

我问的原因是当我堆叠图像张量时：a = torch.stack([img1, img2, img3, img4, img5]) 我得到 torch.Size([5, 3, 396, 247]) 的形状，所以是否必须将我的张量重塑为 torch.Size([3, 5, 396, 247]) 所以该数量的通道将首先进入，或者在 Dataloader 内部无关紧要？

请注意，Dataloader 会自动添加一个与 N 相对应的维度。

Answer 1

是的，这很重要，您需要确保尺寸排序正确（假设您使用 DataLoader 的默认整理功能）。一种方法是使用 dim=1 而不是默认的 dim=0 来调用 torch.stack。例如

a = torch.stack([img1, img2, img3, img4, img5], dim=1)

导致 a 成为 [3, 5, 396, 247] 的所需形状。

3D CNN 在图像序列上的输入形状应该是什么？

What should be the input shape for 3D CNN on a sequence of images?

python

conv-neural-network

pytorch

dataloader