論文の概要: Discovering Local Binary Pattern Equation for Foreground Object Removal
in Videos
- arxiv url: http://arxiv.org/abs/2308.06305v1
- Date: Fri, 11 Aug 2023 15:04:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 18:01:22.014314
- Title: Discovering Local Binary Pattern Equation for Foreground Object Removal
in Videos
- Title(参考訳): ビデオにおける前景物体除去のための局所二項パターン方程式の探索
- Authors: Caroline Pacheco do Espirito Silva, Andrews Cordolino Sobral, Antoine
Vacavant, Thierry Bouwmans, Felippe De Souza
- Abstract要約: 局所二項パターン式を自動的に発見できる新しい記号回帰法を提案する。
様々な条件下で屋外の都市景観を実写した実験結果から,提案手法によって発見されたLPPは,従来のLPPディスクリプタよりも有意に優れていたことが示唆された。
- 参考スコア(独自算出の注目度): 2.3374134413353254
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing a novel Local Binary Pattern (LBP) process usually relies heavily
on human experts' knowledge and experience in the area. Even experts are often
left with tedious episodes of trial and error until they identify an optimal
LBP for a particular dataset. To address this problem, we present a novel
symbolic regression able to automatically discover LBP formulas to remove the
moving parts of a scene by segmenting it into a background and a foreground.
Experimental results conducted on real videos of outdoor urban scenes under
various conditions show that the LBPs discovered by the proposed approach
significantly outperform the previous state-of-the-art LBP descriptors both
qualitatively and quantitatively. Our source code and data will be available
online.
- Abstract(参考訳): 新たなローカルバイナリパターン(LBP)プロセスの設計は通常、その領域における人間の知識と経験に大きく依存する。
専門家でさえ、特定のデータセットに最適なLPPを特定するまで、退屈な試行錯誤のエピソードが残されることが多い。
この問題に対処するために,背景と前景に分割することで,LBP式を自動的に発見し,シーンの移動部分を除去できる新しい記号回帰法を提案する。
様々な条件下で屋外の都市景観を実写した実験結果から,提案手法によって発見されたLCPは,定性的にも定量的にも,従来のLCPディスクリプタよりも有意に優れていた。
ソースコードとデータはオンラインで入手できます。
関連論文リスト
- Learning Cognitive Maps from Transformer Representations for Efficient
Planning in Partially Observed Environments [11.41797002897668]
本稿では,エージェントがナビゲート時に知覚的にエイリアスされた観察を受ける部分観察環境(POEs)について考察する。
我々は、(複数の)離散ボトルネックを持つ変換器、TDBを導入し、遅延符号は観測と行動の歴史を圧縮した表現を学習する。
また, (b) 最短経路問題を指数的に高速に解きながら, POEs (a) で訓練したTDBがバニラ変圧器やLSTMのほぼ完全な予測性能を維持していることを示す。
論文 参考訳(メタデータ) (2024-01-11T14:30:30Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - SOAR: Scene-debiasing Open-set Action Recognition [81.8198917049666]
本稿では、対向的なシーン再構成モジュールと適応的な対向的なシーン分類モジュールを備えた、Scene-debiasing Open-set Action Recognition (SOAR)を提案する。
前者は、デコーダが映像特徴の映像背景を再構成することを防止し、特徴学習における背景情報を低減する。
後者は、アクションフォアグラウンドに特に重点を置いて、映像の特徴を与えられたシーンタイプの分類を混乱させることを目的としており、シーン不変情報を学習するのに役立つ。
論文 参考訳(メタデータ) (2023-09-03T20:20:48Z) - MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。
MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。
MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
論文 参考訳(メタデータ) (2023-07-06T09:12:13Z) - Unlocking the Power of Representations in Long-term Novelty-based
Exploration [44.740620368477565]
本稿では、新規性に基づく探索のための非パラメトリック手法である、クラスタリングに基づくオンライン密度推定(RECODE)によるロバスト探索を紹介する。
古典的なクラスタリングをDeep RLの定常的な設定に適応させることで、RECODEは何千回ものエピソードの訪問数を効率的に追跡することができる。
RECODEはまた、アタリゲームにおける新しい最先端技術も設定しており、"Pitfall!"でエンドスクリーンに到達した最初のエージェントである。
論文 参考訳(メタデータ) (2023-05-02T15:29:40Z) - EVAL: Explainable Video Anomaly Localization [3.21359455541169]
物体とその動きの一般的な表現を学習し、これらの表現を用いて、特定のシーンの高レベルな位置依存モデルを構築する。
私たちのアプローチは説明がつきます。私たちのハイレベルな外観とモーション機能は、ビデオの一部が正常または異常に分類される理由を人間に理解できない理由を与えます。
論文 参考訳(メタデータ) (2022-12-15T15:35:25Z) - Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。
従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。
しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
論文 参考訳(メタデータ) (2021-10-17T15:21:27Z) - Personal Fixations-Based Object Segmentation with Object Localization
and Boundary Preservation [60.41628937597989]
我々はPFOS(Personal Fixations-based Object)に着目し,過去の研究の課題に対処する。
視線オブジェクトをセグメント化するオブジェクトローカリゼーションと境界保存(OLBP)に基づく新しいネットワークを提案する。
OLBPは複数のタイプの深い監督の混合されたボトムアップおよびトップダウンの方法で整理されます。
論文 参考訳(メタデータ) (2021-01-22T09:20:47Z) - Deep Bayesian Bandits: Exploring in Online Personalized Recommendations [4.845576821204241]
我々は、表示広告レコメンデータを文脈的盗賊として定式化する。
クリックスルーレートの後部分布からのサンプリングを必要とする探索手法を実装した。
提案したディープベイズ帯域幅アルゴリズムをオフラインシミュレーションとオンラインAB設定で検証した。
論文 参考訳(メタデータ) (2020-08-03T08:58:18Z) - Learning to Rank in the Position Based Model with Bandit Feedback [3.9121134770873742]
本稿では,LinUCB と Linear Thompson Sampling の2つのよく知られたアルゴリズムの拡張を提案する。
生産環境におけるバイアスを考慮し,位置ベースクリックモデルを用いる。
論文 参考訳(メタデータ) (2020-04-27T19:12:20Z) - Solving Missing-Annotation Object Detection with Background
Recalibration Loss [49.42997894751021]
本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。
従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。
本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
論文 参考訳(メタデータ) (2020-02-12T23:11:46Z)
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。