3D 卷積網路

3D 卷積網路把一般的卷積從二維延伸到三維，做法是讓卷積核除了在高與寬上滑動，也在時間上滑動。2D 濾波器看的是單一影格的一個小空間區塊，而 3D 濾波器（例如 3×3×3）看的是橫跨數格的一個小時空體積，因此它能在單一個統一的運算中，直接把運動圖樣（一條邊如何移動、一隻肢體如何擺動）與外觀「聯合」學習，而非透過分開的光流流。

具體而言，輸入是一個形狀為「時間 × 高 × 寬 × 通道」的片段張量，每個卷積核除了空間範圍 k_h 與 k_w，還有一個時間範圍 k_t；網路把這類層與 3D 池化堆疊起來。C3D（Tran 等人，2015）以全程使用簡單的 3×3×3 卷積核使其普及。代價十分高昂：加上一個時間維度，相對於可比的 2D 網路會使參數與計算量倍增，使 3D CNN 既渴求資料又訓練緩慢。一個關鍵的效率構想是因式分解：R(2+1)D 把每個 3D 卷積拆成一個空間 2D 卷積接著一個時間 1D 卷積，這既削減參數、又多加一個非線性（提升準確度），且更易最佳化；Pseudo-3D（P3D）與 S3D 採用相關的分解。

這個實務瓶頸形塑了該領域的歷史。從零訓練時，3D CNN 需要龐大的已標註影片（Sports-1M，後來是 Kinetics）才能勝過「2D 加運動」的方法，因為它們參數遠多、又沒有方便的預訓練。這正是膨脹法（I3D）所填補的落差——它從 ImageNet 預訓練的 2D 網路引導出 3D 濾波器；而後來的高效設計（X3D，沿影格數、解析度、寬度等軸擴展一個小網路；以及 SlowFast）則讓時空卷積兼具準確與負擔得起。