高斯拒绝级联：实时自适应背景减除框架
机器学习
2019-11-19 v2 计算机视觉与模式识别
摘要
背景-前景分类是计算机视觉中一个被广泛研究的问题。由于算法中建模和处理的逐像素特性，通常难以满足实时性约束。在速度（因模型复杂性）和准确性之间存在权衡。受Viola-Jones分类器的拒绝级联启发，我们将高斯混合模型（GMM）分解为自适应的高斯级联（CoG）。相对于基线GMM模型，我们在不牺牲准确性的情况下实现了速度的显著提升。我们在Wallflowers监控数据集上展示了4-5倍的加速因子和平均17%的准确率提升。随后，CoG被证明可作用于卷积变分自编码器（VAE）图像潜空间表示之上。我们提供了在CDW-2014数据集上的初步结果，这有望加速深度架构的背景减除。
引用
@article{arxiv.1705.09339,
title = {Rejection-Cascade of Gaussians: Real-time adaptive background subtraction framework},
author = {B Ravi Kiran and Arindam Das and Senthil Yogamani},
journal= {arXiv preprint arXiv:1705.09339},
year = {2019}
}
备注
Accepted for National Conference on Computer Vision, Pattern Recognition, Image Processing and Graphics (NCVPRIPG 2019)