Rede Convolucional 4D

Alguém sabe se existe uma generalização da rede convolucional que funciona com tensores de entrada 4D em vez de 3D. Geralmente, pelo que entendi, os filtros de rede convolucionais aceitam uma certa extensão de coordenadas x, y por filtro e toda a profundidade dessa extensão também. Eu tenho uma dimensão adicional que precisaria ser necessária dentro dos filtros para que a entrada fizesse algum sentido.

É possível usar uma rede convolucional tradicional para isso ou existe uma abstração que funcione para dados n-dimensionais?

neural-networks conv-neural-network

— dobafresh
fonte

Ainda não vi documentos que mencionem diretamente convolucionais multidimensionais, mas pode ser trivial de implementar - dependendo do pacote de software que você está usando, é claro. Eu uso o T-SQL sempre que possível, no qual é possível modelar facilmente qualquer número de dimensões e usar algumas cláusulas GROUP BY simples etc. para selecionar, atualizar, inserir em uma rede neural com camadas de tamanho arbitrário. Expandir para dimensões 4D e superiores é realmente um problema. Não posso comentar sobre o que está disponível em pacotes como R ou Matlab ou versões recentes do Weka, mas suspeito que seria mais difícil implementá-los.

— SQLServerSteve

O fluxo de tensão define a convolução em N dimensões e a camada RELU transposta é independente da dimensão, o único problema que você terá é com as camadas de pool que você precisará implementar por conta própria (sinta-se à vontade para enviá-las posteriormente para contribuições tf). Acho que seu problema é perfeitamente solucionável com TF

— Pablo Arnau González
fonte