background substruction не для видео

[mrgloom 242]

Возможно ли трактовать задачу background substruction не для видео, а для отдельных кадров, которые могут не иметь даже общих объектов?

т.е. допустим мы ищем животных в джунглях, у нас есть картинки на которых у нас N видов животных и K видов бэкграундов(типов джунглей), на каждой картинке 1 тип бэкгрунда и может быть несколько животных. Есть картинки где животных нет вообще.

Задача отделить животных от фона. Можно ли это решать через какой либо метод background substruction?

[Nuzhny 243]

Скорее тут segmentation или recognition

[Smorodov 579]

Фактически да, это задача детектирования объектов класса "животное".

Обучите сеть на два класса: "животное" и "фон". Думаю это должно решить проблему, только много данных понадобится собрать.

Вот примерно что я имел ввиду (только в приложении к Вашим классам):

http://sachinfarfade.tumblr.com/deep-dense-face-detector

PDF-ка оттуда: http://labs.yahoo.com/_c/uploads/multi-view-face_ICMR.pdf

и картинка:

Я делаю проект на основе этой публикации, уже сейчас работает очень неплохо, на GPU порядка 1.5 сек (на разрешении 800x600), зависит от конфигурации сети. Код опубликовать не могу, но могу сказать что технология очень мощная.

Изменено October 11, 2015 пользователем Smorodov

[BeS 53]

Теоретически можно исопльзовать семантическую сегментацию на основе глубокого обучения, а потом поверх её результатов запроцессить картинку суперпикселями для более точной оценки границ объектов. Но нужна хорошая тренировочнгая база для сетки.

[mrgloom 242]

Про семантическую сегментацию я знаю.

Тут я скорее я имел виду как "смоделировать" 2 класса (фон и объект), учитывая что каждый класс еще имеет подклассы(т.е. разные виды животных и разные виды джунглей).

Говоря про background substraction я скорее имел ввиду Gaussian Mixture Model, но может есть еще что то похожее из области background substruction ,что можно адаптировать?

https://kittipatkampa.wordpress.com/2011/02/17/image-segmentation-using-gaussian-mixture-models/

п.с. задача почти тождественна задаче из темы про skin detection, за исключением того что класс кожи возможно содержит меньше подклассов.

Тут может быть несколько постановок:

1. Без разметки (Unsupervised segmentation)

2. Когда объекты размечены грубо (т.е. мы полностью отделили объекты от фона, т.е. фон у нас чистый, а разметка объектов содержит в основном объект, но и немного фона).

3. Когда у нас точная попиксельная разметка.