一、Address
AAAI2019的一篇文章
Cubic LSTMs for Video Prediction
论文链接地址: https://arxiv.org/pdf/1904.09412.pdf
二、Introduction and Model
2.1 LSTM以及ConvLSTM
这里简单列举下，其实我已经写过很多次了，只是为了方便大家阅读
LSTM结构具体参考文章：
公式为：
FC−LSTM⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧it=σ(Wi⋅[Xt,Ht−1]+bi)ft=σ(Wf⋅[Xt,Ht−1]+bf)ot=σ(Wo⋅[Xt,Ht−1]+bo)ct=tanh(Wc⋅[Xt,Ht−1]+bc)Ct=ft⊙Ct+it⊙ctHt=ot⊙tanh(Ct)
缩写可以表示为：
FC−LSTM:(Ct,Ht)=LSTM(Xt,(Ct−1,Ht−1);W,b;⋅)
ConvLSTM论文解读具体参考文章：
缩写可以表示为：
(Ct,Ht)=LSTM(Xt,(Ct−1,Ht−1);W,b;∗)
2.2 CubicLSTM
2.2.1 结构
左面是一个立体图，很难看明白其中的结构，咱们主要看右边的b，拓扑图。
整理的cell最主要的特点是将temporal和spatial的信息分开处理，即左图中的sptial axis和temporal axis两个轴方向。
CnbicLSTM包括三个branch：temporal branch， spatial branch， output branch，顾名思义temporal branch主要是获得动作的，也就是目标之间的变化即时间的运动信息，spatial branch主要是获取本身目标的结构信息即目标空间信息，output branch就是把二者做了个整合，之后输出prediction
再仔细看一下结构，感觉不需要多说，这幅图画的很清楚了，大致来讲就是蓝色为spatial,橘黄色为temporal。
可以看到空间上，主要是layer的变化，也就是L->L+1，而时间上主要是step的变化，也就是t->t+1
大致说下流程，就是temporal的hidden state和spatial的hidden state以及输入x经过两个conv分别得到时间维度和空间维度的三个门控以及内部状态，之后接下来的各种操作和convLSTM里面基本上一样，最后得到两个hidden state经过conv得到最终的Yt
其实换一个角度本篇的这个结构本质上就是个两个convLSTM的拼接cell，只是生成门控的输入为三个值所决定的。
所以公式也很好得出。
2.2.2 公式
CubicLSTM ⎩⎪⎪⎪⎨⎪⎪⎪⎧ temporal branch :(Ct,l,Ht,l)=LSTM(Xt,l,Ht,l−1′,(Ct−1,l,Ht−1,l);W,b;∗) spatial branch : (Ct,l′,Ht,l′)=LSTM(Xt,l,Ht−1,l,(Ct,l−1′,Ht,l−1′);W′,b′;∗) output branch : Yt,l=W′′∗[Ht,l,Ht,l′]+b′′
2.2.3 Cubic RNN
这种rnn的提出少不了stacking结构。
我们先看个细节图，玩多了rnn的应该都清楚一般来说temporal的轴线，也就是time step的逐步处理的时候temporal的参数肯定是共享的。
所以下图其实就是一个两层的结构，即红框中的结构
除了这个以外，在spatial上叠加几层，也是为了让objection的信息更加突出，得到更好的空间信息。
并且前一步的spatial的信息会传给下一步的最初的层，即蓝色线部分。
这个输入设计的就很有趣了，因为层数主要代表的是spatial，如图这么输入的话也就是说每层考虑了之前的临近的objection的信息，相当于多了一些目标的信息，这个输入称之为slide window。
预测规律如图所示。
这个结构总体来讲就很有趣了，看着像个立体的网
三、Experiments
还是做得Moving MNIST数据集，和predrnn++做的类似，应用了三个数字和两个数字的序列图，以及应用了mse和bce两个评价指标
也做了一些可视化工作。
四、Conclusions
- 文中其实强调了很多次convlstm的目前无法动摇的地位，之后决定在convlstm上做创新，想到的点子出发点就是如何把temporal和spatial分开
- 分开之后分别得到c和h，经过前后各一个conv得到门控和c以及最终融合h得到最终的prediction
- 把结构设计为了一个立体的结构，和平时的平面有一些不同，所以在stacking的时候会感觉像一个立体的网一样的结构