Online Illumination Invariant Moving Object Detection by Generative\n Neural Network
Notice bibliographique
Résumé
Moving object detection (MOD) is a significant problem in computer vision\nthat has many real world applications. Different categories of methods have\nbeen proposed to solve MOD. One of the challenges is to separate moving objects\nfrom illumination changes and shadows that are present in most real world\nvideos. State-of-the-art methods that can handle illumination changes and\nshadows work in a batch mode; thus, these methods are not suitable for long\nvideo sequences or real-time applications. In this paper, we propose an\nextension of a state-of-the-art batch MOD method (ILISD) to an\nonline/incremental MOD using unsupervised and generative neural networks, which\nuse illumination invariant image representations. For each image in a sequence,\nwe use a low-dimensional representation of a background image by a neural\nnetwork and then based on the illumination invariant representation, decompose\nthe foreground image into: illumination change and moving objects. Optimization\nis performed by stochastic gradient descent in an end-to-end and unsupervised\nfashion. Our algorithm can work in both batch and online modes. In the batch\nmode, like other batch methods, optimizer uses all the images. In online mode,\nimages can be incrementally fed into the optimizer. Based on our experimental\nevaluation on benchmark image sequences, both the online and the batch modes of\nour algorithm achieve state-of-the-art accuracy on most data sets.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».