如何沿着侧面图像添加非图像特征作为CNN的输入

我正在训练一个卷积神经网络以对雾条件下的图像进行分类（3类）。但是，对于约150.000张图像中的每张图像，我还具有四个可用的气象变量，这些变量可能有助于预测图像的类别。我想知道如何将气象变量（例如温度，风速）添加到现有的CNN结构中，从而有助于分类。

我已经想到的一种方法是在CNN旁边创建另一个（小型）前馈神经网络，然后在密集层将CNN层的输出和非图像神经网络的隐藏层彼此连接。

我能想到的第二种方法就是将这些要素与致密层接触。但是，在这种情况下，非图像变量（我认为）只能进行线性预测。

还有其他（更好）的方法可以将非图像特征包括在模型中吗？考虑到我拥有的数据量，什么是明智的选择呢？

我还有一个问题是，在使用这些非图像特征进行训练时，是否应该解冻卷积层？Resnet-18的这些层（在ImageNet上初始化为预先训练的）已经使用图像进行了微调。我的猜测是，我应该使它们保持冻结状态，并且仅解冻稠密层，因为只有在这种情况下，非图像特征才与图像特征“接触”（在CNN的较早版本中才出现）。如果我错了，请这样说！

我的解决方案就像您的第一个建议，但有一些细微的变化。

1. 构造卷积层并将它们堆叠到展平层。该网络应接收图像数据。
2. 整理您的激活图
3. 用所需数量的神经元和层构建一个完全连接的网络。
4. 将卷积网络的平坦层和完全连接的网络的输出串联在一起。
5. 添加一些密集层并将它们连接到代表您的课程的最后一层。

您可以为该体系结构使用常规成本函数。