Nov, 2018

实时语义分割的背景减除

PDF
TL;DR本文提出了一种基于实时语义分割的新型背景减除定义，其由传统的背景分割器和实时语义分割器组成，并在 CDnet 数据集上评估，达到了同类无监督背景减除方法的最优表现，甚至优于某些基于深度学习的有监督算法，并且具有潜在的泛化能力。
foreground object extractionbackground subtractionreal-time semantic segmentationobject trackingvideo surveillance
发现论文，激发创造
  • 实时语义背景去除

    本研究提出了一种名为 RT-SBS 的新型背景差分算法，它将实时背景差分算法与高质量的语义信息相结合，可应用于实时有限制的情况，并展现出与非实时背景差分算法不相上下的表现，甚至超越了以前的文献。

    Feb, 2020

  • ZBS：基于实例级背景建模和前景选择的零样本背景减除

    本文提出了一种基于零样本目标检测的无监督背景减除算法（Zero-shot Background Subtraction，ZBS），用于从视频帧中提取移动物体。研究发现，ZBS 在阴影或夜光等复杂情境中表现出色，并且具有丰富的可扩展类别。

    Mar, 2023

  • 弱监督语义分割的细粒度背景表示

    该研究提出了一种简单的精细背景表示方法，通过开发一个新颖的原始负区域感兴趣（NROI）来捕捉细粒度的背景语义信息，并进行像素与负区域对比，从而区分混淆的背景像素，实现了在各种弱监督语义分割设置下的新的最先进结果。

    Jun, 2024

  • 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

  • BSUV-Net 2.0：面向视频独立监督背景减除的时空数据增强

    该研究提出一种基于深度学习和时空数据增强的背景减除算法，该算法在跨视频数据集上达到了较高的性能表现。

    Jan, 2021

  • 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

  • 基于前景意识的关系网络用于高空间分辨率遥感图像中的地理空间目标分割

    本文从关系建模和基于优化的前景建模的角度出发，提出了一种强调前景相关性的前景感知网络 FarSeg，以缓解地物目标分割面临的大尺度变化、高背景内类间差异和前景 - 背景不平衡等问题，实验结果表明该方法优于现有的语义分割方法，并在速度和准确度之间取得了更好的折衷效果。

    Nov, 2020

  • 通过追求动态时空模型进行复杂背景减除

    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

  • 基于照明的数据增强方法用于强健背景减除

    通过数据增强方法和欧几里得距离变换技术，本研究成功地模拟了视频中的强光、阴影效果，并训练出一个抗光照变化的深度学习模型，实现了背景减除的提高。

    Oct, 2019

  • 少样本分割任务中的干扰背景抑制

    提出了一种使用有限数量标注的支持图像来准确分割查询图像中新颖目标的少样本分割方法，并通过任务中断性背景抑制 (TBS) 模块来解决支持背景特征的问题，以达到最先进的性能。

    Dec, 2023