STEFF:空间时间效率网用于户外场景中的动态纹理分类.
Kaoutar Mouhcine1, Nabila Zrira2, Issam Elafi3
1MECAtronique Team, CPS2E Laboratory, National Superior School of Mines Rabat, 10080, Morocco.
Heliyon
|December 13, 2024
概括
这项研究引入了一种新的时空空间方法 (STEFF) 来进行动态纹理分类,利用深度学习来结合运动和外观特征. 该方法在户外场景数据集上实现了高精度,证明了其有效性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 动态纹理分类对于计算机视觉至关重要,但由于复杂的时空动态而具有挑战性.
- 现有的方法与现实世界场景中动态纹理的固有变异性作斗争.
研究的目的:
- 为强大的动态纹理分类提出一种新的时空方法 (STEFF).
- 通过使用深度学习来整合外观和运动特征,以提高分类准确性.
主要方法:
- 开发了一个时空方法 (STEFF),将差异和平均运算符结合在视频序列上.
- 从户外场景中提取了深层纹理特征,并将其集成到EfficientNet模型中.
- 采用了微调和规范化技术来优化模型.
主要成果:
- 实现了高分类准确度:在Yupenn上达到95.95%,在DynTex++上达到94.09%,在Yupenn++上达到98.01%.
- 与现有的动态纹理分类模型相比,证明了更高的性能.
- 在多个数据集中验证了方法的有效性和效率.
结论:
- 拟议的STEFF方法为计算机视觉中的动态纹理分类提供了强大而有效的解决方案.
- 通过深度学习整合空间和时间特征显著提高了分类性能.
- 该方法显示了现实世界应用的巨大潜力,涉及动态场景分析.
