面向含缺失像素背景/前景分离的平滑鲁棒张量补全：具收敛保证的新算法
计算机视觉与模式识别
2022-04-12 v2 机器学习
机器学习
摘要
本研究的目标是通过将视频采集、视频恢复、背景/前景分离结合到单一框架中，来解决含缺失像素的背景/前景分离问题。为此，提出了一种平滑鲁棒张量补全(SRTC)模型，以恢复数据并将其分别分解为静态背景与平滑前景。具体而言，静态背景由低秩塔克分解建模，平滑前景(运动物体)由时空连续性建模，并通过全变分正则化加以约束。基于张量近端交替最小化(tenPAM)的高效算法被实现以求解所提模型，其在非常温和的条件下具有全局收敛保证。在真实数据上的大量实验表明，所提方法在含缺失像素的背景/前景分离上显著优于当前最优方法。
引用
@article{arxiv.2203.16328,
title = {Smooth Robust Tensor Completion for Background/Foreground Separation with Missing Pixels: Novel Algorithm with Convergence Guarantee},
author = {Bo Shen and Weijun Xie and Zhenyu Kong},
journal= {arXiv preprint arXiv:2203.16328},
year = {2022}
}
备注
40 pages, 11 figures