学习度量变化:用于场景变化检测的全卷积孪生度量网络
计算机视觉与模式识别
2018-11-13 v3
摘要
场景变化检测的一个关键挑战性问题是,由光照变化、阴影与相机视角产生的噪声变化使得场景的差异难以定义与度量,因为噪声变化与语义变化相互纠缠。遵循通过直接比较一对特征间不相似度来检测变化的直观想法,我们提出一种新颖的全卷积孪生度量网络(CosimNet),通过定制隐式度量来度量变化。为学习更具判别性的度量,我们利用对比损失来缩减未变化特征对间的距离并扩大已变化特征对间的距离。具体而言,为解决大视角差异问题,我们提出具有更容忍策略以惩罚噪声变化的阈值化对比损失(TCL)。我们在三个具挑战性的数据集 CDnet、PCD2015 与 VL-CMU-CD 上以实验证明了所提方法的有效性。我们的方法对诸多挑战性条件具有鲁棒性,如光照变化、由相机运动与缩放引起的大视角差异。此外,我们将距离度量融入分割框架,并通过变化图与特征分布的可视化验证了有效性。源代码见 https://github.com/gmayday1997/ChangeDet。
引用
@article{arxiv.1810.09111,
title = {Learning to Measure Change: Fully Convolutional Siamese Metric Networks for Scene Change Detection},
author = {Enqiang Guo and Xinsha Fu and Jiawei Zhu and Min Deng and Yu Liu and Qing Zhu and Haifeng Li},
journal= {arXiv preprint arXiv:1810.09111},
year = {2018}
}
备注
10 pages, 12 figures