用于 L+S 分解的深度展开时空 RPCA 网络
计算机视觉与模式识别
2022-11-08 v1 人工智能
摘要
基于低秩与稀疏分解的方法在许多涉及背景建模的应用中发挥作用，如杂波抑制与目标跟踪。尽管稳健主成分分析(RPCA)在执行该任务上取得了巨大成功，但它可能需要数百次迭代才能收敛，且在遮挡、抖动和快速运动等不同现象存在时性能下降。另一方面，近期提出的深度展开网络已证明其相比迭代等价方法及其他神经网络架构具有更好的精度和更快的收敛。本文提出一种新颖的深度展开时空 RPCA(DUST-RPCA)网络，其显式利用了低秩分量中的空间与时间连续性。我们在 moving MNIST 数据集上的实验结果表明，与现有最先进的深度展开 RPCA 网络相比，DUST-RPCA 具有更高的精度。
引用
@article{arxiv.2211.03184,
title = {A Deep-Unfolded Spatiotemporal RPCA Network For L+S Decomposition},
author = {Shoaib Imran and Muhammad Tahir and Zubair Khalid and Momin Uppal},
journal= {arXiv preprint arXiv:2211.03184},
year = {2022}
}