用于大气湍流中目标分割的无监督区域生长网络
计算机视觉与模式识别
2024-08-06 v2
摘要
由于湍流引起的不规则且时变的畸变，在大气湍流存在下进行运动目标分割极具挑战性。本文中，我们提出一种无监督方法，用于分割因大气湍流而降质的视频中的运动目标。我们的关键方法是“先检测后生长”策略：我们首先以高置信度识别一小组运动目标像素，然后从这些种子逐渐生长前景掩码以分割所有运动目标。该方法利用视频帧间的刚体几何一致性来解耦不同类型的运动，随后使用Sampson距离来初始化种子像素。在生长逐帧前景掩码后，我们使用空间分组损失和时间一致性损失来进一步精炼掩码，以确保其时空一致性。我们的方法无监督且不需要在标注数据上训练。为验证，我们收集并发布了首个真实拍摄的、带有运动目标真值掩码的长距离湍流视频数据集。结果表明，我们的方法在分割运动目标上取得了良好精度，并对具有不同湍流强度的长距离视频具有鲁棒性。
引用
@article{arxiv.2311.03572,
title = {Unsupervised Region-Growing Network for Object Segmentation in Atmospheric Turbulence},
author = {Dehao Qin and Ripon Saha and Suren Jayasuriya and Jinwei Ye and Nianyi Li},
journal= {arXiv preprint arXiv:2311.03572},
year = {2024}
}