BSUV-Net 2.0：用于视频无关监督背景减除的时空数据增强
计算机视觉与模式识别
2021-02-26 v2
摘要
背景减除(BGS)是一项基础的视频处理任务，是许多应用的关键组成部分。基于深度学习的监督算法在 BGS 中取得了非常好的性能，然而，这些算法大多针对特定视频或一组视频进行优化，当应用于未见过的视频时性能急剧下降。近来，若干论文解决了该问题并提出了视频无关的监督 BGS 算法。但是，这些算法中使用的几乎所有数据增强都局限于空间域，未考虑视频数据中自然存在的时间变化。在本工作中，我们引入时空数据增强并将其应用于领先的视频无关 BGS 算法之一 BSUV-Net。我们还为 CDNet-2014 数据集引入了一种新的交叉验证训练与评估策略，使得公平且便捷地比较各种视频无关监督 BGS 算法的性能成为可能。我们使用所提数据增强训练的新模型名为 BSUV-Net 2.0，在 CDNet-2014 未见视频上的评估显著优于 SOTA 算法。我们还通过仅在 CDNet-2014 视频上训练并在 LASIESTA 数据集上评估，检验了 BSUV-Net 2.0 的跨数据集泛化能力。总体而言，BSUV-Net 2.0 在 CDNet-2014 与 LASIESTA 数据集的未见视频上比 SOTA 方法的 F 值提高了约 5%。此外，我们开发了模型的实时变体，称为 Fast BSUV-Net 2.0，其性能接近 SOTA。
引用
@article{arxiv.2101.09585,
title = {BSUV-Net 2.0: Spatio-Temporal Data Augmentations for Video-Agnostic Supervised Background Subtraction},
author = {M. Ozan Tezcan and Prakash Ishwar and Janusz Konrad},
journal= {arXiv preprint arXiv:2101.09585},
year = {2021}
}