Key points are not available for this paper at this time.
La Détection d'Objets en Mouvement (MOD) est une étape fondamentale pour de nombreuses applications de vision par ordinateur. La MOD devient très difficile lorsqu'une séquence vidéo capturée à partir d'une caméra statique ou en mouvement rencontre des défis tels que : camouflage, ombre, fonds dynamiques et variations d'éclairage, pour n'en nommer que quelques-uns. Les méthodes d'apprentissage profond ont été appliquées avec succès pour traiter la MOD avec des performances compétitives. Cependant, pour gérer le problème de surapprentissage, les méthodes d'apprentissage profond nécessitent une grande quantité de données étiquetées, ce qui représente une tâche laborieuse, car des annotations complètes ne sont pas toujours disponibles. De plus, certaines méthodes d'apprentissage profond pour la MOD montrent une dégradation des performances en présence de séquences vidéo inédites car les répartitions de test et d'entraînement des mêmes séquences sont impliquées lors du processus d'apprentissage du réseau. Dans ce travail, nous posons le problème de la MOD comme un problème de classification de nœuds utilisant des Réseaux de Neurones Graphiques Convolutifs (GCNNs). Notre algorithme, appelé GraphMOD-Net, englobe la segmentation d'instances, l'initialisation de l'arrière-plan, l'extraction de caractéristiques et la construction de graphes. GraphMOD-Net est testé sur des vidéos inédites et surpasse les méthodes à la pointe de la technologie dans l'apprentissage non supervisé, semi-supervisé et supervisé dans plusieurs défis des ensembles de données de Détection de Changement 2014 (CDNet2014) et de soustraction d'arrière-plan UCSD.
Giraldo et al. (Ven,) ont étudié cette question.