【內容摘要】
本文聚焦卷積神經網絡中的二維卷積與三維卷積，詳細解析兩者的區別、操作原理及應用場景，涵蓋二維/三維卷積操作示意圖、多通道輸入處理方式，以及RGB圖像不采用三維卷積的原因，助力理解不同卷積類型的特性與適用場景。

關鍵詞:
卷積神經網絡 二維卷積 三維卷積 特征提取 多通道卷積

---

在卷積神經網絡（CNN）中，卷積操作是 特征提取 的核心。根據輸入數據的維度和任務需求，卷積可分為 二維卷積 與 三維卷積。本文將從操作原理、多通道處理、應用場景等方面，深入解析兩者的區別與聯系。

一、二維卷積與三維卷積的區別

二維卷積 與 三維卷積 的核心差異在于輸入數據的維度及卷積核的作用方式。二維卷積 主要用于處理二維平面數據（如RGB圖像），而 三維卷積 則適用于三維體積數據（如醫學影像、視頻序列）。

1. 二維卷積操作原理

二維卷積操作示意圖如圖1所示，分別展示了單通道和多通道輸入的情況下單通道輸出的卷積過程。

• 單通道輸入：若輸入卷積核尺寸為$(k_h,k_w,1)$，卷積核在輸入圖像的空間維度（寬、高）上進行滑窗操作，對每次滑窗內的$(k_h,k_w)$窗口值進行點乘求和，得到輸出圖像中的一個值。
• 多通道輸入：假設輸入圖像特征通道數為3（如RGB圖像），則 卷積核 尺寸為$(k_h,k_w,3)$。每次滑窗需與3個通道上的$(k_h,k_w)$窗口內所有值進行點乘求和，最終得到輸出圖像中的一個值。

2. 三維卷積操作原理

三維卷積操作示意圖如圖2所示，同樣分為單通道和多通道輸入場景（假設僅使用一個 卷積核，輸出為單通道）。

• 單通道輸入：與 二維卷積 的不同之處在于，輸入圖像多了一個深度維度（如視頻的時間幀或醫學影像的切片層）。此時 卷積核 尺寸為$(k_h,k_w,k_d)$，每次滑窗需與$(k_h,k_w,k_d)$窗口內的所有值進行點乘求和，得到輸出三維圖像中的一個值。
• 多通道輸入：與 二維卷積 類似，每次滑窗需與所有通道上的$(k_h,k_w,k_d)$窗口內值進行點乘求和，最終輸出三維特征圖。

二、圖解三維卷積

為更直觀理解 三維卷積，圖3展示了一個$3\times 3\times 3$的 卷積核 在立方體輸入上的操作過程。

三維卷積 的 卷積核 本身是三維的，因此在深度維度（如時間或切片層）上也會進行卷積運算。例如，處理 視頻數據 時，三維卷積 可同時捕捉空間（寬、高）和時間（幀）維度的特征，這是 二維卷積 無法實現的。

三、RGB圖像不使用三維卷積的原因

需要明確的是，二維卷積 與 三維卷積 的“維度”指輸出特征的維度，而非 卷積核 的維度。二維卷積 在RGB的三個通道上做點乘求和（類似全連接），但 不在第三個維度（通道）上做類似前兩個維度的卷積運算。

RGB圖像之所以不采用 三維卷積，核心原因在于 R、G、B三個通道無相關性。RGB通道分別對應紅、綠、藍三種基色，它們是獨立的顏色分量，在深度維度（通道）上做卷積無實際意義。因此，判斷是否使用 二維卷積 或 三維卷積，需根據輸出是否需要二維或三維的特征向量。

四、總結

二維卷積 與 三維卷積 各有適用場景：

• 二維卷積：適用于二維平面數據（如 圖像），通過空間維度的滑窗提取局部特征，多通道輸入時僅在通道間求和。
• 三維卷積：適用于三維體積數據（如 視頻、醫學影像），可同時捕捉空間和深度維度的特征，適合需要時間/層間信息關聯的任務。

理解兩者的區別與聯系，有助于根據具體任務選擇合適的卷積類型，提升模型的 特征提取 效率與性能。