generate_movies<-函数（n_samples =1200，n_frames =15) {行<-80关口<-80noisy_movies<-数组（0，昏暗的=c(n_samples, n_frames, rows, cols))shifted_movies<-数组（0，昏暗的=c(n_samples, n_frames, rows, cols))n<-样本（3.：8，1）为(年代在1：n_samples) {为(我在1：n) {#初始位置xstart<-样本（20.：60，1）ystart<-样本（20.：60，1）#运动方向directionx<-样本（-1：1，1）directiony<-样本（-1：1，1）#正方形的大小w<-样本（2：3.，1）x_shift<-xstart+directionx＊（0：(n_frames))y_shift<-ystart+directiony＊（0：(n_frames))为(t在1：n_frames) {square_x<-(x_shift [t]-w)：(x_shift [t]+w)square_y<-(y_shift [t]-w)：(y_shift [t]+w)Noisy_movies [s, t, square_x, square_y]<-Noisy_movies [s, t, square_x, square_y]+1#通过添加噪声使其更健壮。这个想法是如果#在推断时，像素的值不准确#;我们需要将网络训练得健壮而稳定#把它看作是属于一个正方形的像素。如果（runif（1）>0．5) {noise_f<-样本（c（-1，1)，1）square_x_n<-(x_shift [t]-w-1）：(x_shift [t]+w+1）square_y_n<-(y_shift [t]-w-1）：(y_shift [t]+w+1）Noisy_movies [s, t, square_x_n, square_y_n]<-Noisy_movies [s, t, square_x_n, square_y_n]+noise_f＊0．1｝#将ground truth移1square_x_s<-(x_shift [t+1]-w)：(x_shift [t+1]+w)square_y_s<-(y_shift [t+1]-w)：(y_shift [t+1]+w)Shifted_movies [s, t, square_x_s, square_y_s]<-Shifted_movies [s, t, square_x_s, square_y_s]+1｝｝｝#剪切到40x40的窗口noisy_movies<-noisy_movies [,,21：60，21：60]shifted_movies＝shifted_movies [,,21：60，21：60]noisy_movies [noisy_movies>1]<-1shifted_movies [shifted_movies>1]<-1#添加通道维度noisy_movies<-array_reshape(noisy_moviesc（昏暗的(noisy_movies),1）)shifted_movies<-array_reshape(shifted_moviesc（昏暗的(shifted_movies),1）)列表（noisy_movies =noisy_movies,shifted_movies =shifted_movies)｝

电影<-generate_movies（n_samples =1000，n_frames =15）more_movies<-generate_movies（n_samples =200，n_frames =15）

#初始化模型模型<-keras_model_sequential（）模型％>%#从2D卷积LSTM层开始layer_conv_lstm_2d（input_shape =列表（零，40，40，1)，过滤器=40，kernel_size =c（3.，3.)，填充=“相同”，return_sequences =真正的）％>%#正常化前一层的激活layer_batch_normalization（）％>%#添加3x隐藏的2D卷积LSTM层，与#批处理归一化层之间layer_conv_lstm_2d（过滤器=40，kernel_size =c（3.，3.)，填充=“相同”，return_sequences =真正的）％>%layer_batch_normalization（）％>%layer_conv_lstm_2d（过滤器=40，kernel_size =c（3.，3.)，填充=“相同”，return_sequences =真正的）％>%layer_batch_normalization（）％>%layer_conv_lstm_2d（过滤器=40，kernel_size =c（3.，3.)，填充=“相同”，return_sequences =真正的）％>%layer_batch_normalization（）％>%添加最终的3D卷积输出层layer_conv_3d（过滤器=1，kernel_size =c（3.，3.，3.)，激活=“乙状结肠”，填充=“相同”，data_format =“channels_last”）为训练准备模型模型％>%编译（损失=“binary_crossentropy”，优化器=“adadelta”）模型

模型％>%适合（电影＄noisy_movies,电影＄shifted_movies,batch_size =10，时代=30.，validation_split =0.05）

#在一部电影上测试网络#喂食前7个位置，然后#预测新职位#要可视化的示例哪一个<-One hundred.跟踪<-more_movies＄noisy_movies (,1：8，，，1]跟踪<-数组(跟踪,c（1，8，40，40，1）)为(k在1：15) {如果(k<8) {png（paste0(k,“_animate.png”）)票面价值（mfrow =c（1，2)，bg =“白色”）(more_movies＄noisy_movies (k……1])％>%光栅（）％>%情节（）％>%标题（主要=paste0（“Ground_”k))(more_movies＄noisy_movies (k……1])％>%光栅（）％>%情节（）％>%标题（主要=paste0（“Ground_”k))dev.off（）｝其他的{#然后将预测与实际情况进行比较png（paste0(k,“_animate.png”）)票面价值（mfrow =c（1，2)，bg =“白色”）(more_movies＄noisy_movies (k……1])％>%光栅（）％>%情节（）％>%标题（主要=paste0（“Ground_”k))#做预测new_pos<-模型％>%预测(跟踪)#切片最后一行new_pos_loc<-new_pos [1、钾、1：40，1：40，1]new_pos_loc％>%光栅（）％>%情节（）％>%标题（主要=paste0（“Pred_”k))#重塑它new_pos<-数组(new_pos_locc（1，1，40，40，1）)#将其绑定到早期数据跟踪<-abind(跟踪、new_pos沿着=2）dev.off（）｝｝#也可以通过运行来创建gif系统（"convert -delay 40 *.png animation.gif"）