One family of visual processes that

One family of visual processes that has relevance for various applications of computer vision is that of, what could be loosely described as, visual processes composed of ensembles of particles subject to stochastic motion. The particles can be microscopic, e.g plumes of smoke, macroscopic, e.g. leaves and vegetation blowing in the wind, or even objects, e.g. a human crowd, a flock of birds, a traffic jam, or a beehive. The applications range from remote monitoring for the prevention of natural disasters, e.g. forest fires, to background subtraction in challenging environments, e.g. outdoors scenes with vegetation, and various type of surveillance, e.g. traffic monitoring, homeland security applications, or scientific studies of animal behaviour.

Despite their practical significance, and the ease with which they are perceived by biological vision systems, the visual processes in this family still pose tremendous challenges for computer vision. In particular, the stochastic nature of the associated motion fields tends to be highly challenging for traditional motion representations such as optical flow, which requires some degree of motion smoothness, parametric motion models, which assume a piece-wise planar world, or object tracking, which tends to be impractical when the number of subjects to track is large and these objects interact in a complex manner.

The main limitation of all these representations is that they are inherently local, aiming to achieve understanding of the whole by modeling the motion of the individual particles. This is contrary to how these visual processes are perceived by biological vision: smoke is usually perceived as a whole, a tree is normally perceived as a single object, and the detection of traffic jams rarely requires tracking individual vehicles. Recently, there has been an effort to advance towards this type of holistic modeling, by viewing video sequences derived from these processes as dynamic textures or, more precisely, samples from stochastic processes defined over space and time

In this project, we extend the simple dynamic texture model to a mixture of dynamic textures, where the observed video is an instance of one of several possible dynamic texture models. With this framework we are able perform motion segmentation of a video sequence, along with clustering on a set of video sequences. Experimental results show that the model is capable of achieving segmentation and clustering that are perceptually plausible.

ผลลัพธ์ (ไทย) 1:

ครอบครัวหนึ่งของกระบวนการภาพที่มีความเกี่ยวข้องสำหรับใช้งานต่าง ๆ ของคอมพิวเตอร์วิทัศน์เป็นของ สิ่งสามารถอธิบายซึ่งเป็น กระบวนการภาพประกอบวงของอนุภาคอาจมีการเคลื่อนไหวแบบเฟ้นสุ่ม อนุภาคสามารถกล้องจุลทรรศน์ เช่นเบิ้ลพลูมควัน macroscopic เช่นใบไม้และพืชที่เป่าลม หรือแม้แต่วัตถุ เช่น มนุษย์ รุม ฝูงนก การจราจรติดขัด หรือการโรงแรม ใช้งานตั้งแต่การตรวจสอบระยะไกลสำหรับการป้องกันภัยธรรมชาติ เช่นจากไฟป่า การลบพื้นหลังในสภาพแวดล้อมที่ท้าทาย เช่น กลางแจ้งฉากกับพืชพรรณ เฝ้าระวัง ชนิดต่าง ๆ เช่นจราจรตรวจสอบ โปรแกรมรักษาความปลอดภัยบ้านเกิดเมืองนอน หรือการศึกษาทางวิทยาศาสตร์ของพฤติกรรมสัตว์แม้ มีความสำคัญการปฏิบัติ และความง่ายในการที่พวกเขาจะมองเห็น โดยชีวภาพวิสัยทัศน์ระบบ กระบวนการแสดงผลในตระกูลนี้ก่อให้เกิดความท้าทายอย่างมากสำหรับคอมพิวเตอร์วิทัศน์ยังคง โดยเฉพาะอย่างยิ่ง ธรรมชาติแบบเฟ้นสุ่มของการเคลื่อนไหวที่เกี่ยวข้องมีแนวโน้มที่จะท้าทายอย่างมากสำหรับการนำเสนอการเคลื่อนไหวแบบดั้งเดิมเช่นกระแสแสง ซึ่งต้องมีบางส่วนของการเคลื่อนไหวราบรื่น โมเดล เคลื่อนไหวพาราเมตริกซึ่งสมมติว่าเป็น piece-wise โลกระนาบ หรือวัตถุที่ติดตาม ซึ่งมีแนวโน้มที่เป็นไปได้ยากเมื่อหมายเลขของหัวข้อการติดตามมีขนาดใหญ่ และวัตถุเหล่านี้ทำงานในลักษณะที่ซับซ้อนข้อจำกัดหลักของการนำเสนอเหล่านี้ทั้งหมดไม่ว่า จะตั้งท้องถิ่น มุ่งเพื่อความเข้าใจของทั้งหมด โดยสร้างแบบจำลองการเคลื่อนไหวของอนุภาคแต่ละ นี้เป็นการขัดต่อกระบวนการเหล่านี้ภาพมองเห็น โดยชีวภาพวิสัยทัศน์: ควันมักจะถือว่าเป็นทั้งหมด ต้นไม้ปกติถือว่าเป็นวัตถุเดียว และการตรวจพบการจราจรติดขัดไม่ค่อยต้องการติดตามยานพาหนะแต่ละ เมื่อเร็ว ๆ นี้ มีความพยายามที่จะก้าวไปนี้ชนิดของโมเดลแบบองค์รวม โดยดูลำดับวิดีโอที่มาจากกระบวนการเหล่านี้เป็นพื้นผิวแบบไดนามิกหรือ ได้แม่นยำมาก ตัวอย่างจากกระบวนสโทแคสติกกำหนดพื้นที่และเวลาในโครงการนี้ เราขยายแบบไดนามิกเนื้อเรื่องการผสมกันของพื้นผิวแบบไดนามิก วิดีโอสังเกตอยู่อินสแตนซ์หนึ่งของพื้นผิวแบบไดนามิกได้หลายรูปแบบ กรอบนี้เราจะสามารถทำการเคลื่อนไหวแบ่งกลุ่มลำดับวิดีโอ กับคลัสเตอร์ชุดลำดับวิดีโอ ผลการทดลองแสดงว่า แบบจำลองมีความสามารถในการบรรลุแบ่ง และคลัสเตอร์ที่จะเป็นไปได้ perceptually

ผลลัพธ์ (ไทย) 2:

ครอบครัวหนึ่งของกระบวนการภาพที่มีความเกี่ยวข้องสำหรับการใช้งานต่างๆของคอมพิวเตอร์วิสัยทัศน์เป็นที่ของสิ่งที่สามารถอธิบายได้อย่างอิสระเป็นกระบวนการภาพประกอบด้วยตระการตาของอนุภาคอาจมีการเคลื่อนไหวสุ่ม อนุภาคสามารถกล้องจุลทรรศน์ขนนกเช่นควันด้วยตาเปล่าเช่นใบและพืชผักเป่าลมหรือแม้กระทั่งวัตถุเช่นฝูงชนของมนุษย์ฝูงนก, การจราจรติดขัดหรือรัง การใช้งานที่มีตั้งแต่การตรวจสอบระยะไกลสำหรับการป้องกันภัยพิบัติทางธรรมชาติเช่นไฟไหม้ป่าเพื่อลบพื้นหลังในสภาพแวดล้อมที่ท้าทายเช่นฉากกลางแจ้งด้วยพันธุ์ไม้และประเภทต่างๆของการเฝ้าระวังเช่นตรวจสอบการจราจร, การรักษาความปลอดภัยที่บ้านเกิดหรือการศึกษาทางวิทยาศาสตร์ของพฤติกรรมของสัตว์ . แม้จะมีความสำคัญในทางปฏิบัติของพวกเขาและความสะดวกกับที่พวกเขาจะรับรู้ระบบการมองเห็นทางชีวภาพกระบวนการในภาพครอบครัวนี้ยังคงเป็นความท้าทายที่ยิ่งใหญ่สำหรับคอมพิวเตอร์วิสัยทัศน์ โดยเฉพาะอย่างยิ่งลักษณะสุ่มของเขตการเคลื่อนไหวที่เกี่ยวข้องมีแนวโน้มที่จะเป็นสิ่งที่ท้าทายอย่างมากสำหรับการแสดงการเคลื่อนไหวแบบดั้งเดิมเช่นการไหลของแสงซึ่งจะต้องมีการศึกษาระดับปริญญาบางส่วนของความเรียบเนียนเคลื่อนไหวรูปแบบการเคลื่อนไหวพาราซึ่งถือว่าโลกระนาบชิ้นที่ชาญฉลาดหรือติดตามวัตถุ ซึ่งมีแนวโน้มที่จะทำไม่ได้เมื่อจำนวนอาสาสมัครที่จะติดตามมีขนาดใหญ่และวัตถุเหล่านี้มีผลกระทบในลักษณะที่ซับซ้อน. ข้อ จำกัด หลักของการแสดงเหล่านี้ที่พวกเขามีในท้องถิ่นโดยเนื้อแท้เป้าหมายที่จะบรรลุความเข้าใจของทั้งโดยการสร้างแบบจำลองการเคลื่อนที่ของ อนุภาคของแต่ละบุคคล นี่คือวิธีการที่ขัดกับกระบวนการเหล่านี้จะมองเห็นการรับรู้ของวิสัยทัศน์ทางชีวภาพ: ควันเป็นที่รับรู้มักจะเป็นทั้งต้นไม้เป็นที่รับรู้ได้ตามปกติเป็นวัตถุเดียวและการตรวจสอบของการจราจรติดขัดไม่ค่อยต้องติดตามยานพาหนะของแต่ละบุคคล เมื่อเร็ว ๆ นี้ได้มีการพยายามที่จะก้าวไปสู่รูปแบบของการสร้างแบบจำลองแบบองค์รวมนี้โดยการดูวิดีโอได้ที่ได้มาจากกระบวนการเหล่านี้เป็นพื้นผิวแบบไดนามิกหรืออย่างแม่นยำมากขึ้นตัวอย่างจากกระบวนการสุ่มที่กำหนดพื้นที่และเวลาในโครงการนี้เราขยายง่ายแบบไดนามิก รูปแบบพื้นผิวที่จะมีส่วนผสมของพื้นผิวแบบไดนามิกที่วิดีโอสังเกตเห็นเป็นตัวอย่างของหนึ่งในหลาย ๆ รูปแบบที่เป็นไปได้เนื้อแบบไดนามิก ด้วยกรอบนี้เราจะสามารถดำเนินการแบ่งส่วนการเคลื่อนไหวของลำดับวิดีโอพร้อมกับการจัดกลุ่มในชุดของลำดับวิดีโอ ผลการทดลองแสดงให้เห็นว่ารูปแบบที่มีความสามารถในการบรรลุการแบ่งส่วนและการจัดกลุ่มที่มีความเป็นไปได้ perceptually

ผลลัพธ์ (ไทย) 3:

ครอบครัวหนึ่งในกระบวนการของภาพที่มีความเกี่ยวข้องสำหรับการใช้งานต่าง ๆของคอมพิวเตอร์วิสัยทัศน์นั้น มันจะหลวม ๆอธิบายเป็นภาพตระการตาของกระบวนการประกอบด้วยอนุภาคภายใต้การเคลื่อนที่สโตแคสติก อนุภาคที่สามารถส่องด้วยกล้องจุลทรรศน์ เช่นขนนกของควันที่มองเห็นด้วยตาเปล่า เช่น ใบพืชและเป่าในลม หรือแม้แต่วัตถุเช่นมนุษย์ , ฝูงชน , ฝูงนกการจราจรที่ติดขัด หรือรังผึ้ง การใช้งานตั้งแต่การตรวจสอบระยะไกลสำหรับการป้องกันภัยธรรมชาติ เช่น ไฟป่า เพื่อลบพื้นหลังในสภาพแวดล้อมที่ท้าทาย เช่น ฉากด้วยพืชพรรณธรรมชาติและประเภทต่างๆของการตรวจสอบการจราจร เช่น การรักษาความปลอดภัย หรือ การศึกษาทางวิทยาศาสตร์ของพฤติกรรมสัตว์

แม้จะมีความจริงของพวกเขาและความสะดวกกับที่พวกเขาจะรับรู้โดยระบบวิสัยทัศน์ทางชีวภาพ กระบวนการภาพในครอบครัวยังก่อให้เกิดความท้าทายที่ยิ่งใหญ่สำหรับวิสัยทัศน์คอมพิวเตอร์ โดยเฉพาะลักษณะสุ่มของที่เคลื่อนไหวด้านมีแนวโน้มที่จะท้าทายมากสำหรับภาพเคลื่อนไหวแบบดั้งเดิมเช่นการไหลของแสงซึ่งจะต้องมีบางระดับของการเคลื่อนไหวราบรื่น รูปแบบการเคลื่อนไหวพารา ซึ่งถือว่าเป็นชิ้นที่ฉลาดระนาบโลกหรือวัตถุซึ่งมีแนวโน้มที่จะยากมาก เมื่อจำนวนคนเพื่อติดตามมีขนาดใหญ่และวัตถุเหล่านี้โต้ตอบในลักษณะที่ซับซ้อน

ข้อจำกัดหลักของตัวแทนทั้งหมดเหล่านี้คือการ ที่พวกเขาเป็นอย่างโดยเนื้อแท้ภายในมีเป้าหมายที่จะบรรลุความเข้าใจของทั้ง โดยการจำลองการเคลื่อนที่ของอนุภาคแต่ละ ซึ่งภาพเหล่านี้ว่ากระบวนการของวิสัยทัศน์ทางชีวภาพ : สูบบุหรี่มักจะมีความคิดเห็นโดยรวม ต้นไม้จะรับรู้ว่าเป็นวัตถุเดียว และตรวจจับรถติดแทบไม่ต้องติดตามยานพาหนะแต่ละ เมื่อเร็วๆ นี้มีความพยายามที่จะก้าวไปสู่แบบองค์รวม ชนิดนี้ โดยการดูวิดีโอลำดับมาจากกระบวนการเหล่านี้เป็นพื้นผิวแบบไดนามิกหรืออย่างแม่นยำมากขึ้น ตัวอย่างจากนัยน์เนตรกำหนดผ่านพื้นที่และเวลา

ในโครงการนี้ เราขยายง่ายรูปแบบพื้นผิวแบบไดนามิกเพื่อส่วนผสมของพื้นผิวแบบไดนามิกที่สังเกตวิดีโอเป็นตัวอย่างของหนึ่งเป็นไปได้หลายแบบไดนามิกเนื้อรุ่น กับกรอบนี้เราสามารถดำเนินการเคลื่อนไหวการแบ่งส่วนของภาพวิดิโอ พร้อมข้อมูลในชุดของวิดีโอ ลำดับ ผลการทดลองแสดงให้เห็นว่าแบบจำลองความสามารถในการบรรลุการรับรูข้อมูลที่น่าเชื่อถือ .