ZBS：基于实例级背景建模与前景选择的零样本背景减除
计算机视觉与模式识别
2023-03-28 v1
摘要
背景减除（BGS）旨在提取视频帧中所有运动物体以获得二值前景分割掩码。深度学习已广泛应用于该领域。与基于监督的 BGS 方法相比，无监督方法具有更好的泛化性。然而，先前的无监督深度学习 BGS 算法在阴影或夜灯等复杂场景中表现不佳，且无法检测预定义类别之外的物体。在本工作中，我们提出一种基于零样本目标检测的无监督 BGS 算法，称为零样本背景减除（ZBS）。所提方法充分利用零样本目标检测的优势构建开放词表的实例级背景模型。基于此，可通过比较新帧的检测结果与背景模型来有效提取前景。ZBS 在复杂场景中表现良好，且具有丰富且可扩展的类别。此外，我们的方法可轻松泛化到其他任务，如未知环境中的遗弃物体检测。我们通过实验表明，ZBS 在 CDnet 2014 数据集上以 4.70% 的 F-Measure 超越最先进的无监督 BGS 方法。代码发布于 https://github.com/CASIA-IVA-Lab/ZBS。
引用
@article{arxiv.2303.14679,
title = {ZBS: Zero-shot Background Subtraction via Instance-level Background Modeling and Foreground Selection},
author = {Yongqi An and Xu Zhao and Tao Yu and Haiyun Guo and Chaoyang Zhao and Ming Tang and Jinqiao Wang},
journal= {arXiv preprint arXiv:2303.14679},
year = {2023}
}
备注
Accepted by CVPR 2023. Code is available at https://github.com/CASIA-IVA-Lab/ZBS