Inductive Graph Neural Networks for Moving Object Segmentation

要約

移動オブジェクト セグメンテーション (MOS) は、特に動的な背景、突然の照明の変化、影、迷彩、および移動するカメラを含むシナリオにおいて、コンピューター ビジョンにおける困難な問題です。
グラフベースの手法は MOS で有望な結果を示していますが、評価のためにトレーニング データとテスト データ全体にアクセスすることを前提とした変換学習に主に依存していました。
ただし、この想定は、システムが展開中に新しいデータを処理する必要がある現実のアプリケーションでは現実的ではありません。
この論文では、グラフ ニューラル ネットワーク (GNN) アーキテクチャに基づいた新しいグラフ誘導移動オブジェクト セグメンテーション (GraphIMOS) アルゴリズムを提案します。
私たちのアプローチでは、すでにトレーニングされたモデルを使用して、新しく追加されたデータ フレームに対して予測を実行できる汎用モデルを構築します。
GraphIMOS は、以前の帰納的学習手法よりも優れたパフォーマンスを発揮し、以前の変換的手法よりも汎用的です。
私たちが提案したアルゴリズムにより、現実世界のアプリケーションでグラフベースの MOS モデルを展開できるようになります。

要約(オリジナル)

Moving Object Segmentation (MOS) is a challenging problem in computer vision, particularly in scenarios with dynamic backgrounds, abrupt lighting changes, shadows, camouflage, and moving cameras. While graph-based methods have shown promising results in MOS, they have mainly relied on transductive learning which assumes access to the entire training and testing data for evaluation. However, this assumption is not realistic in real-world applications where the system needs to handle new data during deployment. In this paper, we propose a novel Graph Inductive Moving Object Segmentation (GraphIMOS) algorithm based on a Graph Neural Network (GNN) architecture. Our approach builds a generic model capable of performing prediction on newly added data frames using the already trained model. GraphIMOS outperforms previous inductive learning methods and is more generic than previous transductive techniques. Our proposed algorithm enables the deployment of graph-based MOS models in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google