我想将 CNN 应用于一系列图像序列，以将帧/图像序列分为两组/类别。我们处于二分类问题中。我的数据集由许多“批次”帧组成。例如，每批帧可以由 20 个 64x64 像素的帧组成。一件重要的事情是这 20 帧的顺序很重要。如果你打乱那 20 帧的顺序，输出可能会改变。
对于这一切，我想创建一个 CNN 来解决这个二元分类问题。我使用 Keras 和 TensorFlow。
我的问题是什么？好吧，我不确定是否必须使用TimeDistributed 层。神经网络的输入形状如下：(20, 64, 64, 1)，其含义是：20帧，大小为64x64（1通道-灰度）。我应该使用 TimeDistributed 层吗？
我不确定是否必须使用 TimeDistributed 图层
您绝对不必使用TimeDistributed。您还有其他选择，可能同样有效，具体取决于您的数据：
将您的示例数据扁平化为每个示例的 81920 个特征，并使用简单的密集层。
使用 Conv3D 层。
使用某种形式的 RNN，例如 LSTM。
根据您的数据描述，我希望基于 TimeDistributed 或 3D CNN 的方法是一个不错的首选。直觉表明，如果帧之间有微小的变化，CNN 会更好地工作（因为它有能力直接找到细微的帧差异），TimeDistributed 方法会更好地处理更大的变化（因为它会忽略帧差异，直到全连接层）。
我应该使用 TimeDistributed 层吗？
只有您可以通过尝试并测量分类器的性能来回答这个问题。但是，它应该可以正常运行，并且直觉表明，如果您的帧是按顺序排列但视觉上不相交的，这将是一个不错的选择。