每天阅读一篇,每天收获一点点
论文名称:Plant Growth Prediction using Convolutional LSTM
论文提出了一种基于ConvLSTM的框架,应用编码器-解码器模型,利用过去的影像预测植物的生长。
两个不同:
1、使用RGB图像和标记的叶片图像作为输入,RGB图像具有颜色或曲率的特征,标记的叶片图像利于提取植物的性状特征。
2、论文是对于植物的生长进行预测,帧间隔比其他帧间隔要长,提出使用差值损失作为变化约束帧,质心损失作为叶片运动的直接约束。
编码器-解码器
编码器:在编码之前,输入的图像在每一个时间步一次通过编码器,在最后一个时间步,在他的细胞内编码器学习过去图像的表示,然后传给解码器ConvLSTM细胞进行预测,编码器的更新依赖于解码器的反向传播。
解码器:编码器的最后一帧作为解码器的第一输入帧,除了第一帧外,零也被使用作为输入,ConvLSTM隐层的输出作为解码器下一层的输入,在每一个时间步,解码器预测下一帧。
差值损失和质心损失
差值损失:约束叶片生长,如果没有Y(label)预测,就将对应的输入作为预测。
质心损失:对于叶片的运动有优化作用,叶片质心用Ct表示
数据集
数据集包含5个植物序列数据,划分训练集和测试集,图片分辨率为128*128,对数据进行90°,180°和270°的旋转。
网络结构
总结
通过阅读这篇论文,对于时空预测模型有一点点不一样的理解,通过提取图片的像素特征,对于植物的生长状态进行预测,欢迎相关文献的推荐!!!