小编Dus*_*Fdz的帖子

谁能解释一下为什么一维卷积神经网络有时在表格数据上表现良好（比 DNN 更好）？我在一些已发表的论文（尽管没有提供使用 CNN1D 的原因）、Kaggle 竞赛中看到过这一点，并且还在堆栈溢出中看到了有关表格数据中 CNN 1d 输入形状的问题。（例如：准备向 1D CNN 提供数据）。虽然我知道我们将 CNN 1D 用于序列数据（例如时间序列和 NLP），但将 CNN 1D 用于表格数据背后的直观想法是什么？为什么它有效？是由于特征之间的空间相关性吗？

我正在处理 3D CT 图像，并尝试将二进制分割掩码从 (564,359,359) 调整为 (128,128,128)，如下所示：

from skimage.transform import resize
mask_resized= resize(binary_mask, (128, 128, 128), order=0)

调整大小之前的二进制掩码如下所示：

生成的输出不是二进制的（产生 0 和 1 之间的一系列值），并且输出失真如下：

我尝试过image_resized_seg = np.rint(image_resized_seg)，但这会为包含分割蒙版的某些切片生成全黑图像。

我也尝试了以下方法，它也给出了扭曲的图像，并且输出中缺少一些包含掩模的切片：

from scipy import ndimage

def resize_volume_mask(img):
    """Resize across z-axis"""
    # Set the desired depth
    desired_depth = 128 
    desired_width = 128 
    desired_height = 128 
    # Get current depth
    current_depth = img.shape[0] #-1
    current_width = img.shape[1] #0
    current_height = img.shape[2] #1
    # Compute depth factor
    depth = current_depth / desired_depth
    width = current_width …