用于低秩视频表示与重建的生成模型
计算机视觉与模式识别
2019-03-01 v1 机器学习
摘要
寻找视频的紧凑表示几乎是每个视频处理或理解相关问题的核心组成部分。本文提出一种生成模型，以学习紧凑的潜码，能够从缺失或欠采样测量中高效表示并重建视频序列。我们使用一个经训练可将紧凑代码映射为图像的网络。我们首先证明，若视频序列属于预训练生成网络的值域，则可通过估计底层紧凑潜码来恢复它。接着我们证明，即便视频序列不属于预训练网络的值域，仍可通过联合更新潜码和生成网络的权重来恢复真实视频序列。为避免模型过拟合，我们对恢复问题施加低秩和相似性约束，以正则化邻近帧的潜码。我们使用所提方法在不同压缩率下从压缩测量中恢复多种视频。我们还证明，可通过在低维空间中对观测帧的潜码进行插值来生成视频序列中的缺失帧。
引用
@article{arxiv.1902.11133,
title = {Bengali Handwritten Character Classification using Transfer Learning on Deep Convolutional Neural Network},
author = {Swagato Chatterjee and Rwik Kumar Dutta and Debayan Ganguly and Kingshuk Chatterjee and Sudipta Roy},
journal= {arXiv preprint arXiv:1902.11133},
year = {2019}
}