基于光照的数据增强用于鲁棒背景减除
计算机视觉与模式识别
2019-10-21 v1 图形学
摘要
背景减除（BGS）的一个核心挑战是处理连续帧中发生突然光照变化的视频。本文从数据的角度利用数据增强来解决该问题。我们的方法所进行的数据增强不仅在运行时生成无限数据，而且具备光照的语义变换特性，从而增强模型的泛化能力。它通过对随机生成的二值掩码应用欧氏距离变换，成功模拟了闪光与阴影。这样的数据使我们能够有效训练一个光照不变的深度学习模型用于 BGS。实验结果表明，即便发生显著的光照变化，这些合成数据也有助于模型执行 BGS。本项目的源代码已公开于 https://github.com/dksakkos/illumination_augmentation。
引用
@article{arxiv.1910.08470,
title = {Illumination-Based Data Augmentation for Robust Background Subtraction},
author = {Dimitrios Sakkos and Hubert P. H. Shum and Edmond S. L. Ho},
journal= {arXiv preprint arXiv:1910.08470},
year = {2019}
}
备注
SKIMA 2019 - Best Paper Award