鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对...鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。展开更多
文摘鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。
