.png){kind=icon}
返回
Foreground Objects Detection by U-Net with Multiple Difference Images
.png){kind=icon}
OA
AI
DOI：10.3390/app11041807.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在视频监控中，前景物体的鲁棒检测通常通过从当前图像中减去背景模型来实现。大多数传统方法使用统计方法来建模背景图像。最近，深度学习也被广泛用于视频监控中的前景物体检测。它相比传统方法显示出显著改进。它通过监督学习进行训练，需要具有像素级标注的训练样本。这需要大量时间且成本高昂，而传统算法采用无监督方式运行，无需训练样本。此外，基于深度学习的算法缺乏泛化能力。它们在类似于训练条件的场景中表现良好，但在偏离训练条件的场景中表现不佳。在本文中，我们提出了一种新的方法，用于视频监控中的前景物体检测，该方法使用多幅差异图像作为卷积神经网络的输入，相比当前的基于深度学习的方法保证了更强的泛化能力。首先，我们调整U-Net以使用多幅差异图像作为输入。其次，我们证明使用CDnet 2014数据集中的所有场景进行训练可以提升泛化能力。通过分析实验结果选择超参数，例如差异图像的数量以及差异图像计算中图像之间的间隔。我们证明，所提出的算法在未用于训练的场景中相比最先进的深度学习和传统无监督算法实现了更优的性能。使用各种开放数据集和真实图像的多样化实验表明了所提出方法的有效性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息