matlab图像背景提取代码DeepPBM：深度概率背景建模
该代码是ICPR2020模式识别深度学习研讨会（DLPR20）接受的以下论文的实现：
DeepPBM：根据视频序列进行深度概率背景模型估计（）
作者：Amirreza
Farnoosh，Behnaz
Rezaei和Sarah
Ostadabbas通讯作者：
要求
此代码已在Ubuntu
16.04上的Python3.6，Pytorch
1.0和CUDA
8.0上进行了测试。
MATLAB
R2016b。
资料准备
本文使用以下数据集进行实验：
BMC2012数据集：
@inproceedings{vacavant2012benchmark,
title={A
benchmark
dataset
for
outdoor
foreground/background
extraction},
author={Vacavant,
Antoine
and
Chateau,
Thierry
and
Wilhelm,
Alexis
and
Lequi{\`e}vre,
Laurent},
booktitle={Asian
Conferen
2021-10-08 16:17:14
27KB
1
针对视频序列中的几种异常行为,构建训练模型,对其进行识别。使用卷积神经网络(CNN)进行特征提取并采用Adam算法(一种基于梯度的优化算法)进行优化。引入自适应池化层,筛选出判别的特征信息,减轻网络的计算量,加快识别视频序列中存在的异常行为。使用Adam算法对模型进行优化后,识别率可以达到87.6%,引入自适应池化层后,识别率可以达到91.9%。该卷积神经网络对视频序列中基本的异常行为的检测效果比改进的轨迹跟踪(iDT)和双流网络更快更准确;相较于时间分割网络(TSN)和时间关系网络(TRN),识别的准确率稍低,但是识别的速度更快。
2021-09-24 16:21:22
5.9MB
1
Matlab多层lstm代码使用具有CNN功能的深度双向LSTM在视频序列中进行动作识别
我们已经使用caffe模式使用matlab脚本“
oneFileFeatures
...”从视频中提取了深层功能。
每个CSV文件代表一个视频的功能。
使用“
TrianTestSpit.m”将其拆分。
火车数据中的每个CSV都会合并在一起，以使用“
EachClassCSV”为每个班级创建一个CSV文件。
使用“
EachClassCSV”文件在训练数据上进行训练和验证拆分，它也为我们提供了标签。
使用“
oneHotLabeling”将其转换为热点。
最后，我们使用“
LSTM.py培训代码”，该代码包含简单的LSTM，多层LSTM和多层双向LSTM。
请引用以下论文
Ullah,
A.,
Ahmad,
J.,
Muhammad,
K.,
Sajjad,
M.,
&
Baik,
S.
W.
(2018).
Action
Recognition
in
Video
Sequences
using
Deep
Bi-
Directional
LSTM
With
CNN
Features.
IEEE
A
2021-08-28 21:14:50
10KB
1
视频序列时候用到的TI（时间信息）和SI（空间信息）的计算工具（自行编写的，根据ITU-R BT.1788标准）。 这是图形界面版本的源代码。
工程基于VC2010
2.0更新记录：
*删除了旧版里的TeeChart，感觉作用不大
*增加了TI和SI计算过程预览窗口，可以查看TI和SI的计算过程。
*增加了计算过程进度条
*支持多种格式的YUV视频输入：YUV420P，YUV422P，YUV444P，Y
*支持批量添加YUV视频
*增加了“结果”对话框，可以直接在程序中查看TI和SI计算结果
*增加了“暂停”，“继续”，“停止”等按钮，可以控制计算的进度
2021-06-04 14:40:04
395KB
1