KOKO体育近年来，在植物学领域，科学家们越来越重视以生长驱动反应为代表的植物行为，KOKO体育这些运动主要由两种组成：内部驱动和环境驱动。因此，研究植物行为，必须建立在追踪植物运动姿态的基础上。研究人员通常使用卷积神经网络来追踪人类和动物的运动姿态，那么植物追踪是否也能运用同样的方法？该文利用动物姿势跟踪框架SLEAP（一种基于深度学习的工具）对植物运动姿势进行追踪，并评估其可行性。
不同于动物，植物的生长形态是不断变化的，这为观察植物的生长带来了不小的难度，而延时成像技术恰好可以解决这一难题。延时成像所生成的表型数据数量，远超于静态表型数据，加上先前所使用的分析工具都存在着各种缺陷，在进行植物数据处理时存在诸多不便。机器学习算法（如卷积神经网络（CNN））的开发和使用极大地提高了处理图像数据的最先进水平，尤其是其无标记追踪动物姿态的能力，很可能为植物追踪带来新的发展希望。
为了探究SLEAP是否也同样适用于植物姿态追踪，研究团队必须解决由于植物生长所带来的变化。该研究选择拟南芥、大豆和向日葵作为实验对象，KOKO体育在五组不同设置下生成延时视频，包括：拟南芥向地性(AG)、Arabi- dopsis向光性(AP)、豆缠绕(BT)、向日葵向光性(SP)和向日葵避荫(STL & STP)。KOKO体育
研究团队分别从三个角度对实验数据进行分析：训练时间、预测精度以及和其他追踪方法的比较，KOKO体育以评估SLEAP在追踪植物生长动态方面的性能。实验结果显示，该方法能够追踪所有视频中植物的运动，并且成功地预测了每个不同视频分析中所有帧上的个体。
该研究证明了SLEAP可以在延时视频中快速、高通量地追踪植物的运动姿势，也可以用来提取各种在动态生长驱动植物的过程中存在的信息。KOKO体育这些成果鼓励人们在研究植物时，使用SLEAP或基于卷积神经网络的工具。进一步开发此类工具有利于扩大其在这种变化形态的闭塞结构上的成功，也有可能在领域中发挥作用。