Resnet50对PyTorch中的视频人类行为进行分类

Question

我正在尝试使用Resnet50对this repo之后的人为操作进行分类。我已经实现了自己的DataLoader来从this数据集生成我的批次。与回购不同，我不使用3D CNN，而是使用简单的PyTorch Resnet50。因此，我需要4D张量输入来馈送网络，而我有5D（批量大小，通道大小，堆叠图像，高度，宽度），其中堆叠图像是来自视频的帧在不同时间步长。我应该停止堆叠这些图像，只是迭代4D张量列表吗？