論文の概要: rSVDdpd: A Robust Scalable Video Surveillance Background Modelling
Algorithm
- arxiv url: http://arxiv.org/abs/2109.10680v2
- Date: Fri, 21 Jul 2023 14:13:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 17:06:02.388802
- Title: rSVDdpd: A Robust Scalable Video Surveillance Background Modelling
Algorithm
- Title(参考訳): rSVDdpd:ロバストでスケーラブルなビデオ監視バックグラウンドモデリングアルゴリズム
- Authors: Subhrajyoty Roy, Ayanendranath Basu and Abhik Ghosh
- Abstract要約: 本稿では,新しいロバストな特異値分解手法rSVDdpdに基づくビデオ監視背景モデリングアルゴリズムを提案する。
また,提案アルゴリズムは,カメラの改ざんの有無で,ベンチマークデータセットとリアルタイムビデオ監視データセットに優越することを示した。
- 参考スコア(独自算出の注目度): 13.535770763481905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A basic algorithmic task in automated video surveillance is to separate
background and foreground objects. Camera tampering, noisy videos, low frame
rate, etc., pose difficulties in solving the problem. A general approach that
classifies the tampered frames, and performs subsequent analysis on the
remaining frames after discarding the tampered ones, results in loss of
information. Several robust methods based on robust principal component
analysis (PCA) have been introduced to solve this problem. To date,
considerable effort has been expended to develop robust PCA via Principal
Component Pursuit (PCP) methods with reduced computational cost and visually
appealing foreground detection. However, the convex optimizations used in these
algorithms do not scale well to real-world large datasets due to large matrix
inversion steps. Also, an integral component of these foreground detection
algorithms is singular value decomposition which is nonrobust. In this paper,
we present a new video surveillance background modelling algorithm based on a
new robust singular value decomposition technique rSVDdpd which takes care of
both these issues. We also demonstrate the superiority of our proposed
algorithm on a benchmark dataset and a new real-life video surveillance dataset
in the presence of camera tampering. Software codes and additional
illustrations are made available at the accompanying website rSVDdpd Homepage
(https://subroy13.github.io/rsvddpd-home/)
- Abstract(参考訳): 自動化ビデオ監視における基本的なアルゴリズムタスクは、背景と前景のオブジェクトを分離することである。
カメラの改ざん、騒がしいビデオ、低フレームレートなど、問題解決には困難が伴う。
改ざんされたフレームを分類し、改ざんしたフレームを捨てた後の残りのフレームを解析する一般的な手法は、情報の喪失をもたらす。
この問題を解決するためにロバスト主成分分析(pca)に基づくいくつかのロバストな手法が導入された。
現在までに、計算コストを削減し、フォアグラウンド検出を視覚的にアピールする主成分探索法(PCP)による堅牢なPCAの開発にかなりの努力が費やされている。
しかし、これらのアルゴリズムで使用される凸最適化は、大きな行列反転ステップのため、実世界の大規模データセットにうまくスケールしない。
また、これらの前景検出アルゴリズムの積分成分は、非ロバストである特異値分解である。
本稿では,これらの問題に対処する新しいロバストな特異値分解手法であるrSVDdpdに基づく,ビデオ監視バックグラウンドモデリングアルゴリズムを提案する。
また,提案アルゴリズムは,カメラの改ざんに際し,ベンチマークデータセットとリアルタイムビデオ監視データセットに優れていることを示す。
ソフトウェアコードと追加のイラストは、付随するウェブサイトrsvddpdホームページで入手できる(https://subroy13.github.io/rsvddpd-home/)。
関連論文リスト
- Practical Video Object Detection via Feature Selection and Aggregation [18.15061460125668]
ビデオオブジェクト検出(VOD)は、オブジェクトの外観における高いフレーム間変動と、いくつかのフレームにおける多様な劣化を懸念する必要がある。
現代のアグリゲーション法のほとんどは、高い計算コストに苦しむ2段階検出器用に調整されている。
この研究は、特徴選択と集約の非常に単純だが強力な戦略を考案し、限界計算コストでかなりの精度を得る。
論文 参考訳(メタデータ) (2024-07-29T02:12:11Z) - Video Dynamics Prior: An Internal Learning Approach for Robust Video
Enhancements [83.5820690348833]
外部トレーニングデータコーパスを必要としない低レベルの視覚タスクのためのフレームワークを提案する。
提案手法は,コヒーレンス・時間的テストの重み付けと統計内部統計を利用して,破損したシーケンスを最適化することでニューラルモジュールを学習する。
論文 参考訳(メタデータ) (2023-12-13T01:57:11Z) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳(メタデータ) (2022-08-05T09:36:13Z) - GPU-accelerated SIFT-aided source identification of stabilized videos [63.084540168532065]
我々は、安定化フレームインバージョンフレームワークにおけるグラフィクス処理ユニット(GPU)の並列化機能を利用する。
我々はSIFT機能を活用することを提案する。
カメラのモーメントを推定し 1%の確率で 時間セグメントを識別します
実験により,提案手法の有効性を確認し,必要な計算時間を短縮し,情報源の同定精度を向上させる。
論文 参考訳(メタデータ) (2022-07-29T07:01:31Z) - Video Salient Object Detection via Contrastive Features and Attention
Modules [106.33219760012048]
本稿では,注目モジュールを持つネットワークを用いて,映像の有意な物体検出のためのコントラスト特徴を学習する。
コアテンションの定式化は、低レベル特徴と高レベル特徴を組み合わせるために用いられる。
提案手法は計算量が少なく,最先端の手法に対して良好に動作することを示す。
論文 参考訳(メタデータ) (2021-11-03T17:40:32Z) - Temporal Early Exits for Efficient Video Object Detection [1.1470070927586016]
本稿では,フレーム単位の動画オブジェクト検出の計算複雑性を低減するため,時間的早期出口を提案する。
提案手法は,既存の手法と比較して,フレーム単位の動画オブジェクト検出の計算複雑性と実行を最大34倍に削減する。
論文 参考訳(メタデータ) (2021-06-21T15:49:46Z) - Robust Unsupervised Video Anomaly Detection by Multi-Path Frame
Prediction [61.17654438176999]
本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。
提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
論文 参考訳(メタデータ) (2020-11-05T11:34:12Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳(メタデータ) (2020-03-10T00:04:32Z) - A Video Analysis Method on Wanfang Dataset via Deep Neural Network [8.485930905198982]
本稿では,スポーツ競技におけるリアルタイム多目的検出機能と,ディープラーニングに基づく公共交通機関における歩行者フロー検出機能について述べる。
提案アルゴリズムに基づいて,主要なテストデータセットとしてwanfangスポーツコンペティションデータセットを採用する。
私たちの作業は、歩行者のフロー検出や歩行者のアラームタスクにも利用できます。
論文 参考訳(メタデータ) (2020-02-28T04:09:53Z) - Pack and Detect: Fast Object Detection in Videos Using Region-of-Interest Packing [15.162117090697006]
そこで我々は,ビデオにおけるオブジェクト検出の計算要求を削減するためのPack and Detectを提案する。
ImageNetのビデオオブジェクト検出データセットを使用した実験は、PaDがフレームに必要なFLOPSの数を4.99ドル削減できることを示している。
論文 参考訳(メタデータ) (2018-09-05T19:29:34Z)
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。