GraphBGS：通过图信号恢复实现背景减除
计算机视觉与模式识别
2020-11-09 v2
摘要
背景减除是计算机视觉中一项基础的预处理任务。由于静态与运动相机序列中背景的变化，该任务在真实场景中变得具有挑战性。文献中已提出若干用于背景减除的深度学习方法并取得了有竞争力的性能。然而，这些模型在未见视频上测试时表现出性能下降；并且它们需要海量数据以避免过拟合。近来，基于图的算法在解决无监督与半监督学习问题上取得成功。此外，图信号处理与半监督学习的理论已被结合，为机器学习领域带来新见解。本文将图信号恢复的概念引入背景减除问题。我们提出一种称为图背景减除（GraphBGS）的新算法，其由实例分割、背景初始化、图构建、图采样，以及一个受图信号恢复理论启发的半监督算法组成。我们的算法相较于深度学习方法所需标注数据更少，同时在静态与运动相机视频上均具有竞争力。在公开可用的 Change Detection（CDNet2014）和 UCSD 背景减除数据库上，GraphBGS 在若干挑战性条件下优于无监督与有监督方法。
引用
@article{arxiv.2001.06404,
title = {GraphBGS: Background Subtraction via Recovery of Graph Signals},
author = {Jhony H. Giraldo and Thierry Bouwmans},
journal= {arXiv preprint arXiv:2001.06404},
year = {2020}
}