基于单类结构化学习的视频抠图分割校正
计算机视觉与模式识别
2016-02-17 v1 图形学
机器学习
摘要
近期交互式视频对象抠图的工作主要关注设计动态前景-背景(FB)分类器用于分割传播。然而，关于最优消除FB分类误差的研究很少，且误差常快速累积，导致传播帧中显著错误。本工作中，我们迈出解决此问题的初步步骤，并称此新任务为分割校正(segmentation rectification)。我们的关键观察是，可能非对称分布的假阳性和假阴性误差在传统方法中被等同处理。作为替代，我们提出最优消除这两类误差。为此，我们提出一种用于该新任务的新型双层马尔可夫随机场(MRF)模型。我们还采用成熟的结构化学习框架从数据学习最优模型。此外，我们提出一种新型单类结构化SVM (OSSVM)，极大加速结构化学习过程。我们的方法自然扩展到RGB-D视频。在RGB和RGB-D数据上的综合实验表明，我们简单有效的方法显著优于最先进视频抠图系统中采用的分割传播方法，结果也暗示了我们的方法在图像抠图系统中的潜在用处。
引用
@article{arxiv.1602.04906,
title = {Segmentation Rectification for Video Cutout via One-Class Structured Learning},
author = {Junyan Wang and Sai-kit Yeung and Jue Wang and Kun Zhou},
journal= {arXiv preprint arXiv:1602.04906},
year = {2016}
}