面向街景变化检测的分层配对通道融合网络
计算机视觉与模式识别
2020-12-30 v1 机器学习
多媒体
摘要
街景变化检测（SSCD）旨在定位不同时间捕获的给定街景图像对之间的变化区域，这是计算机视觉领域中一项重要且具有挑战性的任务。解决SSCD任务的直观方法是融合提取的图像特征对，然后直接度量不相似部分以生成变化图。因此，SSCD任务的关键在于设计一种有效的特征融合方法，以提高相应变化图的准确性。为此，我们提出了一种新颖的分层配对通道融合网络（HPCFNet），其利用配对特征通道的自适应融合。具体而言，给定图像对的特征由孪生卷积神经网络（SCNN）联合提取，并通过探索多个特征层级上通道对的融合进行分层组合。此外，基于场景变化分布具有多样性的观察，我们进一步提出了多部分特征学习（MPFL）策略以检测多样化变化。基于MPFL策略，我们的框架实现了一种适应场景变化区域尺度与位置多样性的新方法。在三个公开数据集（即PCD、VL-CMU-CD和CDnet2014）上的大量实验表明，所提框架取得了优越性能，以显著优势优于其他最先进的方法。
引用
@article{arxiv.2010.09925,
title = {Hierarchical Paired Channel Fusion Network for Street Scene Change Detection},
author = {Yinjie Lei and Duo Peng and Pingping Zhang and Qiuhong Ke and Haifeng Li},
journal= {arXiv preprint arXiv:2010.09925},
year = {2020}
}
备注
To appear in Transactions on Image Processing, including 13 pages, 13 figures, 9 tables