《表2 CDNet 2014数据集比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《ForegroundNet：一种基于语义与动态特征的前景检测算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表2显示了在F值方面与CDNet官网[15，29]上几种最新方法的定量比较。本文方法的评估指标均有良好的表现。表3展示了算法针对CDNet不同类别视频的详细结果信息。ForegroundNet达到了更高的F值，F=0.94，相比于次优方法的0.82提升了12%。图3显示了CDNet 2014数据集各种序列的典型分割结果，其中，从左到右依次是“当前帧”，GMM[2]，KDE[30]，BMOG[31]，SubSense[3]，FTSG[8]，ITUIS-5[18]，DeepBS[5]，本文的结果（ours）和标注结果（GT）；从上到下，分别为CDNet数据集中不同的视频种类。NV:night video，SD:shadow，CJ:camera jitter，TB:turbulence，DB:dynamic background，BL:baseline，LF:low frame rate，IOM:intermittent object motion，BW:bad weather，PTZ:PTZ，TM:thermal。本文方法获得的结果优于其他方法，特别是在IOM，PTZ，TM类别上。IOM更依赖动态特征对前景进行区分，PTZ的镜头存在一定缩放变化，而TM则缺乏相应的语义信息。这在一定程度上证实ForegroundNet不仅在静态镜头下具备良好的语义特征学习能力，在镜头变化不大的情况下也具备一定的动态特征学习能力。