学习时序分布与空间相关性以实现通用运动物体分割
计算机视觉与模式识别
2024-03-11 v4
摘要
运动物体分割的目标是从视频中的静止背景分离出运动物体。该问题的一个主要挑战是如何针对来自各种自然场景的视频开发通用模型，因为先前方法往往仅在特定场景中有效。本文提出一种称为学习时序分布与空间相关性（LTS）的方法，有望成为通用运动物体分割的通用解。在所提方法中，首先由我们新推导的缺陷迭代分布学习（DIDL）网络学习时序像素的分布，以实现场景无关的分割。值得注意的是，DIDL 网络融入了我们新推导的改进乘积分布层。然后，提出学习空间相关性的随机贝叶斯精炼（SBR）网络，以改进 DIDL 网络生成的二值掩码。受益于时序分布的场景无关性以及空间相关性带来的精度提升，所提方法以固定参数在几乎所有来自多样复杂自然场景的视频上表现良好。在包括 LASIESTA、CDNet2014、BMC、SBMI2015 和 128 个真实世界视频的标准数据集上的综合实验证明了该方法相较于最先进方法（无论是否使用深度学习网络）的优越性。据我们所知，本工作极有潜力成为真实环境中运动物体分割的通用解。代码和真实世界视频可在 GitHub https://github.com/guanfangdong/LTS-UniverisalMOS 获取。
引用
@article{arxiv.2304.09949,
title = {Learning Temporal Distribution and Spatial Correlation Towards Universal Moving Object Segmentation},
author = {Guanfang Dong and Chenqiu Zhao and Xichen Pan and Anup Basu},
journal= {arXiv preprint arXiv:2304.09949},
year = {2024}
}