基于时空非局部外观学习的无监督视频分割
计算机视觉与模式识别
2016-12-28 v1
摘要
视频目标分割因快速运动、杂乱背景、任意目标外观变化和形状形变等因素而具有挑战性。现有方法大多仅探索连续两帧之间的外观信息，未能充分利用有助于使学习到的外观保持稳定的有用长程非局部信息，因此当目标经历大视角变化和显著非刚性形变时往往失败。本文提出了一种简单而有效的方法，为无监督视频分割挖掘长程时空非局部外观信息。我们算法的动机源于视频中区域外观重现的时空非局部性。具体而言，我们首先生成一组超像素来表示前景和背景，然后利用高效的 KD 树算法通过近似最近邻搜索方法，用每个超像素的长程时空非局部对应部分更新其外观。接着，利用更新后的外观，我们构建了一个由超像素标签一致性势组成的时空图模型。最后，我们通过迭代更新外观模型和估计标签来优化图模型，从而生成分割结果。在 SegTrack 和 Youtube-Objects 数据集上的广泛评估证明了所提方法的有效性，其性能优于一些现有最优方法。
引用
@article{arxiv.1612.08169,
title = {Unsupervised Video Segmentation via Spatio-Temporally Nonlocal Appearance Learning},
author = {Kaihua Zhang and Xuejun Li and Qingshan Liu},
journal= {arXiv preprint arXiv:1612.08169},
year = {2016}
}