BSUV-Net 2.0:面向视频独立监督背景减除的时空数据增强
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
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
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。
Nov, 2018
提出了一种名为 BSSTNet 的模型,它通过引入模糊图,将初始的密集注意力转化为稀疏形式,从而更全面地利用整个视频序列中的信息。BSSTNet 在变换器中使用了更长的时间窗口,利用较远帧中的信息来修复当前帧中的模糊像素,同时引入了由模糊图引导的双向特征传播,降低了由模糊帧引起的错误累积。实验结果表明,提出的 BSSTNet 在 GoPro 和 DVD 数据集上优于现有的方法。
Jun, 2024
本文提出背景抑制网络 (BaS-Net) 来解决仅具备视频层级标签、而没有帧级标签的弱监督时序动作定位问题;该网络结构采用两个分支和非对称训练策略来抑制背景帧的激活,有效地提高了动作的定位表现。实验验证表明,BaS-Net 在 THUMOS'14 和 ActivityNet 等基准测试上的表现优于当前最先进的方法。
Nov, 2019
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
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
通过引入背景增强技术,加强自监督学习中对物体的语义关注, 系统调研发现其在多个自监督学习任务中均有大幅提升效果,并成为有监督学习的有力竞争者,并在无监督显著性检测方面取得进展。
Mar, 2021