Feb, 2017

一种用于背景消除的深度卷积神经网络

PDF
TL;DR本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。
发现论文，激发创造
  • 深度神经网络背景减除概念：一项系统性综述和比较评估

    本文综述了深度学习方法在视频背景减除中的应用，特别是使用深度神经网络作为前景检测和特征学习的方法，分析了这些方法相对于传统的基于多个特征或多个指标策略的非监督学习方法的性能优势，最后通过在 CDnet 2014 数据集上的实验结果证实了这些深度学习方法的可行性和有效性。

    Nov, 2018

  • BSUV-Net：一种全卷积神经网络，用于消除未见视频的背景

    本文介绍了基于卷积神经网络 (BSUV-Net) 的一种新的有监督的背景减除算法，该算法的输入包括当前帧和两个不同时间尺度上的背景帧及其语义分割图；同时，为了减少过拟合的可能性，还引入了一种新的数据增强技术，应用在 CDNet-2014 数据集上，BSUV-Net 在看不见的视频方面的表现优于现有方法。

    Jul, 2019

  • 基于两阶段卷积神经网络的背景重构和前景分割

    本文提出了一种端到端的两阶段深度卷积神经网络框架，用于视频序列中的前景分割，该方法利用背景图像的语义和先验知识以及前景和背景的先验视觉知识，与 CDNet 2014 相比，其性能提高了 4.9％。

    Jul, 2017

  • 智能监控系统中 ADNN 的背景减除应用

    该研究提出了一种采用算术分布神经网络（ADNN）结构的智能视频监控系统，用于运动检测，对只包含运动部分的视频进行裁剪，并对裁剪后的视频进行异常检测。

    Dec, 2022

  • 无监督融合卷积神经网络方法用于遥感图像变化检测

    本文介绍了一种基于无监督浅层卷积神经网络（USCNN）融合方法进行变化检测，通过使用不同大小的卷积核对双时相图像进行多尺度信息提取，将相同尺度的差异特征图通过 1*1 卷积层融合为一个特征图，最后通过 1*1 卷积层融合不同尺度的输出特征，实现图像的多尺度信息融合。实验证明了该方法在四个真实遥感数据集上的可行性和有效性。

    Nov, 2023

  • CDN-MEDAL：双阶段密度与差值逼近框架用于运动分析

    本文提出了一种名为 CDN-MEDAL-net 的新方法，使用两个卷积神经网络，其中第一个网络基于 GMM 统计学习策略，第二个网络实现了轻量级的在线视频背景减除，实验结果表明这种方法不仅能够在未见情况下有效地提取移动对象的区域，而且非常高效。

    Jun, 2021

  • 利用三元卷积神经网络进行前景分割与多尺度特征编码

    提出一种基于编码器 - 解码器神经网络的动态目标分割方法，通过使用预训练的卷积网络对图像进行特征嵌入，利用反卷积网络进行特征与图像的转换，该方法在 Change Detection 2014 挑战赛中表现优于现有所有最先进的方法，达到了 0.9770 的平均 F-measure。

    Jan, 2018

  • 视频中动作、前景和背景特征的分离

    本文介绍了一种非监督框架来提取视频表征的语义丰富特征，并提出了一个深度卷积神经网络来分离运动、前景和背景信息。实验结果表明，该网络可以在视频中成功分割前景和背景，并基于分离的运动特征更新前景外观。此处提供的预训练方法可以优于随机初始化和自动编码器预训练，促进了区分性分类任务。

    Jul, 2017

  • 视频序列中的图像分割：概率方法

    本文通过使用混合高斯模型和无监督的 EM 算法，提出了一种基于像素分类的背景减法方法，并应用于交通监控中，取得了较好的车辆识别和跟踪效果。

    Feb, 2013

  • 基于多层框架的自由移动相机在线背景减除

    针对移动拍摄视频中背景难以识别的问题，本文提出了一种基于多层结构的在线背景减除算法框架，将多前景物体建模并赋予拥有独立处理层，同时采用贝叶斯滤波框架推断概率图，并用马尔科夫随机场上的多标签图割算法进行像素级分割，取得了优于现有技术的结果。

    Sep, 2017