Ein Rahmen zur Kompensation von Ungleichgewicht für die Hintergrundsubtraktion

Klassenungleichgewicht bezieht sich auf den Fall, dass die Anzahl der Trainingsproben für die Mehrheitsklassen weit höher ist als die der Minderheitsklassen (relatives Ungleichgewicht), und die Qualität der Trainingsproben für die Minderheitsklassen schlechter ist als die der Mehrheitsklassen (absolutes Ungleichgewicht), was durch andere UngleichgewichtsFaktoren, z.B. Datenüberlappung, weiter kompliziert wird. Die Hintergrundsubtraktion in Videos zielt darauf ab, jedes Pixel in zwei Klassen zu klassifizieren: Vordergrund und Hintergrund. Dieser Artikel zeigt zunächst, dass die Hintergrundsubtraktion ein Problem des Klassenungleichgewichts ist, wobei der Vordergrund und der Hintergrund die Minderheits- bzw. Mehrheitsklassen sind. Durch die Untersuchung der räumlichen und zeitlichen Korrelationen, die in Videodaten inherent sind, präsentieren wir einen Rahmen zur Kompensation des Ungleichgewichts für die Hintergrundsubtraktion, der aus zwei aufeinander folgenden Modulen besteht: ein Ungleichgewicht kompensierendes bilayer Modellieren und eine Ungleichgewicht kompensierte bayesianische Klassifikation. Im ersten Modul werden raum-zeitliches Oversampling (SOS) und selektives Downsamping (SDS) vorgeschlagen, um das Ungleichgewicht auf der Datenebene auszugleichen. SOS versucht, repräsentative Proben zu synthetisieren, die zum Minderheitsproben-Set hinzugefügt werden, während SDS selektiv eine Anzahl von Mehrheitsproben in Bereichen mit Datenüberlappung löscht. Die neu balancierten Proben werden dann verwendet, um ein bilayer Modell zu lernen. Im zweiten Modul werden neuartige Kostenfunktionen vorgeschlagen, um die Auswirkungen des Klassenungleichgewichts auf der Algorithmus-Ebene zu kompensieren. Die Kostenfunktionen basieren auf der Ungleichgewichts-Messung und werden verwendet, um den Prior-Term im bayesianischen Klassifikationsschema zu konstruieren. Experimente werden an öffentlichen Datenbanken durchgeführt, um die Effektivität der vorgeschlagenen Methode zu demonstrieren.