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。

Feb, 2017

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

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

本文详细调研了现实应用中使用的背景减除的真实挑战，现有的背景模型并提供了未来的研究方向。

Jan, 2019

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

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

本文提出了一种基于深度学习和迁移学习的方法，用于发现工业环境中两幅图像间的概念差异，解决了因环境中物体种类丰富多样以及光照条件改变而导致监督学习方法无法准确区分的问题，并使用添加和合成数据的方法来生成数据集，并对模型结果进行了评估，该方法具有较好的工业应用前景。

Aug, 2022

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

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

提出了一种在较为复杂的情况下学习和维护一组动态纹理模型的背景减除方法，在多个复杂场景的实验中，表现优于其他前沿的背景减除算法。

Feb, 2015