用于动态纹理视频分割的无监督学习共识模型
计算机视觉与模式识别
2020-06-30 v1
摘要
动态纹理（DT）分割，乃至一般视频处理，目前广泛由基于深度神经网络的方法主导，这类方法需部署大量层。尽管这种参数化方法在动态纹理分割上展现出优越性能，当前所有深度学习方法均存在一个显著的主要弱点，即缺乏充足的参考标注来训练模型并使其可用。本研究探索了在无训练数据时可用于分割新视频的无监督分割方法。我们提出了一种用于动态纹理分割的有效无监督学习共识模型（ULCM）。该模型旨在合并包含多个弱质量区域的不同的分割图，以获得更精确的分割最终结果。组合过程所需的多样标注场通过对输入视频（基于三个正交平面：xy、yt 与 xt）应用简化分组方案获得。在所提模型中，待分类像素周围重新量化局部二值模式（LBP）直方图的值集合被用作特征，其表示了视频中复现的时空信息。在具有挑战性的 SynthDB 数据集上的实验表明，与当前或需参数估计或需训练步骤的动态纹理分割方法不同，ULCM 显著更快、更易编码、简单且参数有限。基于 YUP++ 数据集的进一步定性实验证明了 ULCM 的高效性与竞争力。
引用
@article{arxiv.2006.16177,
title = {Unsupervised Learning Consensus Model for Dynamic Texture Videos Segmentation},
author = {Lazhar Khelifi and Max Mignotte},
journal= {arXiv preprint arXiv:2006.16177},
year = {2020}
}