論文の概要: GraphBGS: Background Subtraction via Recovery of Graph Signals
- arxiv url: http://arxiv.org/abs/2001.06404v2
- Date: Fri, 6 Nov 2020 16:23:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 12:35:50.902539
- Title: GraphBGS: Background Subtraction via Recovery of Graph Signals
- Title（参考訳）: GraphBGS: グラフ信号の回復によるバックグラウンドサブトラクション
- Authors: Jhony H. Giraldo, Thierry Bouwmans
- Abstract要約: Graph BackGround Subtraction (GraphBGS)は、グラフ信号の回復理論から着想を得た半教師付きアルゴリズムである。
我々のアルゴリズムは、静的・動画像の両方で競合する結果を得る一方で、深層学習法よりもラベル付きデータを必要としないという利点がある。
- 参考スコア（独自算出の注目度）: 2.5889737226898437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background subtraction is a fundamental pre-processing task in computer
vision. This task becomes challenging in real scenarios due to variations in
the background for both static and moving camera sequences. Several deep
learning methods for background subtraction have been proposed in the
literature with competitive performances. However, these models show
performance degradation when tested on unseen videos; and they require huge
amount of data to avoid overfitting. Recently, graph-based algorithms have been
successful approaching unsupervised and semi-supervised learning problems.
Furthermore, the theory of graph signal processing and semi-supervised learning
have been combined leading to new insights in the field of machine learning. In
this paper, concepts of recovery of graph signals are introduced in the problem
of background subtraction. We propose a new algorithm called Graph BackGround
Subtraction (GraphBGS), which is composed of: instance segmentation, background
initialization, graph construction, graph sampling, and a semi-supervised
algorithm inspired from the theory of recovery of graph signals. Our algorithm
has the advantage of requiring less labeled data than deep learning methods
while having competitive results on both: static and moving camera videos.
GraphBGS outperforms unsupervised and supervised methods in several challenging
conditions on the publicly available Change Detection (CDNet2014), and UCSD
background subtraction databases.
- Abstract（参考訳）: 背景減算はコンピュータビジョンにおける基本的な前処理タスクである。
このタスクは、静的カメラシーケンスと移動カメラシーケンスの両方の背景の変化のため、実際のシナリオでは困難になる。
背景減算のためのいくつかの深層学習法が、競争性のある文献で提案されている。
しかし、これらのモデルは、目に見えないビデオでテストした場合のパフォーマンス低下を示し、過度なフィットを避けるために大量のデータを必要とする。
近年,教師なし・半教師付き学習問題へのグラフベースアルゴリズムのアプローチが成功している。
さらに、グラフ信号処理と半教師付き学習の理論が組み合わされ、機械学習の分野における新たな洞察が生まれた。
本稿では,背景サブトラクション問題において,グラフ信号の回復の概念を導入する。
本稿では,グラフ信号の分離,背景初期化,グラフ構成,グラフサンプリング,半教師付きアルゴリズムからなるグラフ背景減算(graph background subtraction,graphbgs)というアルゴリズムを提案する。
我々のアルゴリズムは、静的ビデオと動画動画の両方で競合する結果を得る一方で、ディープラーニングメソッドよりもラベル付きデータが少ないという利点があります。
GraphBGSは、公開されている変更検出(CDNet2014)とUCSDバックグラウンドサブトラクションデータベースにおいて、教師なしおよび教師なしの手法よりも優れている。
関連論文リスト
- Joint Data Inpainting and Graph Learning via Unrolled Neural Networks [1.8999296421549168]
基礎となるグラフトポロジと欠測値の両方を推定するアルゴリズムを提案する。
提案手法はグラフ学習とグラフ信号再構成アルゴリズムの両方に利用できる。
論文 参考訳（メタデータ） (2024-07-16T06:46:41Z) - RobGC: Towards Robust Graph Condensation [61.259453496191696]
グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。
しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。
本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
論文 参考訳（メタデータ） (2024-06-19T04:14:57Z) - A Topology-aware Graph Coarsening Framework for Continual Graph Learning [8.136809136959302]
グラフに関する継続的な学習は、グラフデータがストリーミング形式で到着するグラフニューラルネットワーク(GNN)のトレーニングに対処する。
Experience Replayのような従来の継続的学習戦略は、ストリーミンググラフに適応することができる。
本稿では, TA$mathbbCO$, a (t)opology-(a)ware graph (co)arsening and (co)ntinual learning frameworkを提案する。
論文 参考訳（メタデータ） (2024-01-05T22:22:13Z) - Joint Signal Recovery and Graph Learning from Incomplete Time-Series [24.308357458676937]
本研究では,不完全な時系列観測からグラフを学習することを目的とする。
逐次上向き最小化をブロックする手法に基づくアルゴリズムを提案する。
合成時系列と実時間時系列のシミュレーション結果から,提案手法の性能を実証した。
論文 参考訳（メタデータ） (2023-12-28T10:27:04Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳（メタデータ） (2020-01-18T09:14:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。