如何在Keras中使用Convolutional LSTM实现位置估计？

Question

我在 Keras 中使用 LSTM 和 Tensorflow。

我想实现位置估计

我要输入电影（1个场景是15帧），估计移动方块在电影中的位置

输入为15帧。输出是 2 个变量 (x, y)。

下面的代码估计精度太差了。我应该怎么办？而且，我不明白AveragePooling3D/Reshape（没有这个它不会执行。）。

# We create a layer which take as input movies of shape
# (n_frames, width, height, channels) and returns a movie
# of identical shape.

seq = Sequential()
seq.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),
                   input_shape=(None, 80, 80, 1),
                   padding='same', return_sequences=True))
seq.add(BatchNormalization())

seq.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),
                   padding='same', return_sequences=True))
seq.add(BatchNormalization())

seq.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),
                   padding='same', return_sequences=True))
seq.add(BatchNormalization())

seq.add(ConvLSTM2D(filters=40, kernel_size=(3, 3),
                   padding='same', return_sequences=True))
seq.add(BatchNormalization())

#seq.add(Flatten())
seq.add(AveragePooling3D((1, 80, 80)))

seq.add(Reshape((-1, 40)))

seq.add(Dense(2))

#seq.add(Conv3D(filters=1, kernel_size=(3, 3, 3),
#               activation='sigmoid',
#               padding='same', data_format='channels_last'))

seq.compile(loss='mean_squared_error', optimizer='adam')
def generate_movies(n_samples=1200, n_frames=15):
    row = 80
    col = 80
    noisy_movies = np.zeros((n_samples, n_frames, row, col, 1), dtype=np.float)
    shifted_movies = np.zeros((n_samples, n_frames, row, col, 1),
                              dtype=np.float)
    square_x_y = np.zeros((n_samples, n_frames, 2), dtype=np.float)

    for i in range(n_samples):
        for j in range(1):
            # Initial position
            xstart = np.random.randint(20, 60)
            ystart = np.random.randint(20, 60)
            # Direction of motion
            directionx = np.random.randint(0, 3) - 1
            directiony = np.random.randint(0, 3) - 1

            # Size of the square
            w = np.random.randint(2, 4)

            for t in range(n_frames):
                x_shift = xstart + directionx * t
                y_shift = ystart + directiony * t
                noisy_movies[i, t, x_shift - w: x_shift + w,
                             y_shift - w: y_shift + w, 0] += 1

                # Make it more robust by adding noise.
                # The idea is that if during inference,
                # the value of the pixel is not exactly one,
                # we need to train the network to be robust and still
                # consider it as a pixel belonging to a square.
                if np.random.randint(0, 2):
                    noise_f = (-1)**np.random.randint(0, 2)
                    noisy_movies[i, t,
                                 x_shift - w - 1: x_shift + w + 1,
                                 y_shift - w - 1: y_shift + w + 1,
                                 0] += noise_f * 0.1

                # Shift the ground truth by 1
                x_shift = xstart + directionx * (t + 1)
                y_shift = ystart + directiony * (t + 1)
                shifted_movies[i, t, x_shift - w: x_shift + w,
                               y_shift - w: y_shift + w, 0] += 1

                square_x_y[i, t, 0] = x_shift/row
                square_x_y[i, t, 1] = y_shift/col

    # Cut to a 40x40 window
    #noisy_movies = noisy_movies[::, ::, 20:60, 20:60, ::]
    #shifted_movies = shifted_movies[::, ::, 20:60, 20:60, ::]
    #noisy_movies[noisy_movies >= 1] = 1
    #shifted_movies[shifted_movies >= 1] = 1
    return noisy_movies, shifted_movies, square_x_y

# Train the network
noisy_movies, shifted_movies, sq_x_y = generate_movies(n_samples = 1200)
seq.fit(noisy_movies[:1000], sq_x_y[:1000], batch_size=10,
        epochs=1, validation_split=0.05)

Answer 1

查看您的 seq.summary() 以了解形状。

你的最后一个 ConvLSTM2D 层正在输出形状为

的东西

(movies, length, side1, side2, channels)
(None, None, 80, 80, 40)

要使密集层起作用，您需要保留 "movies" 和 "length" 维度，并将其他维度合二为一。

请注意维度 40（通道）很重要，因为它表示不同的 "concepts"，而 80s（边）是纯二维位置。

由于您不想触及 "length" 维度，因此您需要一个 AveragePooling2D（非 3D）。但是由于您要检测一个非常明显的 位置特征 及其位置，我建议您根本不要折叠空间维度。最好只重塑并添加一个 Dense 来考虑这些位置。

所以我建议您不要使用 AveragePooling：

seq.add(Reshape((-1, 80*80*40)) #new shape is = (movies, length, 80*80*40)

然后添加一个仍然具有位置概念的 Dense 层：

seq.add(Dense(2)) #output shape is (movies, length, 2)

这不能保证让您的模型表现良好，但我相信 "better"。

您可以做的其他事情是添加更密集的层并从 80*80*40 特征平滑地变为 2。

这更复杂，但您可以研究功能 API 模型并了解 "U-nets" 并尝试在那里制作类似 u-net 的东西。

如何在Keras中使用Convolutional LSTM实现位置估计？

How can I use Convolutional LSTM in Keras to realize position estimation?

lstm

keras

tensorflow

rnn