《Dynamic Mode Decomposition for Real-Time Background/Foreground Separation in Video》读书笔记

最新推荐文章于 2024-08-04 23:17:10 发布
最新推荐文章于 2024-08-04 23:17:10 发布
阅读量759 收藏 5
点赞数 1
分类专栏： machine learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39965890/article/details/81267034
版权
本文介绍了Dynamic Mode Decomposition (DMD) 在视频背景/前景实时分离中的应用，强调了DMD作为快速轻量级物体识别方法的优势。文章对比了PCA与RPCA（Robust Principal Component Analysis）的区别，指出RPCA在处理冗余和稀疏数据时的稳健性。DMD通过傅里叶模式和特征值分解实现非线性系统的线性表示，适用于视频数据。然而，DMD在确定背景和前景、处理高分辨率图像和动态模式抓取不准确等问题上仍面临挑战。尽管如此，DMD因其简单、快速和低计算需求的特点，仍是一个有潜力的预处理工具。
摘要由CSDN通过智能技术生成

题目：Dynamic Mode Decomposition for Real-Time Background/Foreground Separation in Video

作者：J.Grosek and J.Nathan Kutz

链接：https://pdfs.semanticscholar.org/7254/8ac3f20c7cf7428bcddacbeb778068a5d807.pdf

谢绝任何不标注出处的转载和百度百家号抄袭

笔记作者：李皮皮

这篇文章也是在介绍动态模式分解（DMD），但是相对于上一篇DMD的笔记，这一篇个人觉得在理念上更全面一点。文章提到DMD是一个非常快速和轻量级的物体识别方法，我个人深有感触。在我的代码中，不论质量，用我个人的笔记本（thinkpad t460，配置算中等8G+i5），1700张高速公路灰度图像的车辆抓取一般130秒左右就能搞定。

我给DMD的定位是一个基于RPCA理念衍生的机器学习前置作业。目前来看，它本身并不是一个像神经网络等能达到高精度低错的机制，毕竟其起源是流体力学中用于分离气流和物体的手段，个人感觉可能它更能显示一个物体在背景上的动态过程。因为车辆的结构和运行方式还有一些未知原因，这个动态过程被抽离的不是很明显。但是在人的行走方面，就很容易发现有一些显示人类行走轨迹的人影抽离不干净。

文章首先介绍了RP

最低0.47元/天 解锁文章
爱看动漫的李皮皮
关注
专栏目录
动态模态分解 DMD | 做高维时间序列数据短时预测
叶庭云 成为自己的光
10-14 2991
动态模态分解 DMD | 做高维数据短时预测。通过这篇博客您将收获： （1）熟悉动态模态分解（DMD）的关键原理和重要的数学推导； （2）掌握利用 DMD 做多元时间序列预测任务的技术； （3）相关的有价值的资料分享，用于补充学习和拓展。
Dynamic_Mode_Decomposition_DMD_
09-29
一个非常有用、且实现起来简单直接的数据分析方法，叫做动态模态分解（其英文名是：dynamic mode decomposition），它被用于发现潜藏着的“动力系统”，尤其是“时空上的拟序结构（spatial-temporal coherent structure）。这个方法起初是被做“流体力学”的人所提出，后来又被应用于与动力系统相关的科学、工程学当中。
动态模式分解（DMD）
热门推荐
颹蕭蕭
12-28 1万+
动态模式分解（Dynamic Mode Decomposition，DMD）使用随时间增长、衰减和振荡的相干结构来求解或近似动力学系统。将相干结构称为DMD模式。换句话说，DMD将动力学系统转换为模式的叠加，每个模式的强度由特征值控制。 本文地址：https://goodgoodstudy.blog.csdn.net/article/details/111873026
【数据分析】库普曼比较法 (Koopman Operator Comparison) 对比Matlab实现
最新发布
matlab_dingdang的博客
08-04 936
库普曼算子比较法 (Koopman Operator Comparison) 是一种基于数据驱动的系统识别方法，可以用于分析非线性动力系统，并预测其未来状态。该方法利用观测数据构建库普曼算子，进而提取系统的动力学信息，如特征值、特征函数等，并用于预测系统未来的行为。本文将介绍库普曼算子比较法及其在Matlab中的实现方法，并通过实例分析该方法的优势和局限性。1. 引言在许多现实世界的问题中，如天气预报、金融市场分析和机械故障诊断，我们都需要对复杂的非线性动力系统进行建模和预测。
Physics-informed dynamic mode decomposition
山里娃的博客
12-20 2094
In this work, we demonstrate how physical principles – such as symmetries, invariances, and conservation laws – can be integrated into the dynamic mode decomposition (DMD). - However, **DMD frequently produces models that are sensitive to noise, fail to g
《Randomized Low-Rank Dynamic Mode Decomposition for Motion Detection》读书笔记（中）
李皮皮的博客
07-13 986
谢绝任何不标注出处的转载如有问题请联系作者原文链接：https://arxiv.org/abs/1512.03526上一篇读书笔记大致介绍了svd和rsvd，这一篇来学习一下dmd和rdmd。DMD是一个合并了PCA和时间序列（傅里叶模式）的数据驱动型方法。DMD起源于流体力学，它的使用几乎不需要潜在假设，但是它对数据有一定的要求。数据需要是用于描述动态系统且有序并且均匀分布的（ordered a...
MATLAB codes for physics-informed dynamic mode decomposition
07-24
本资料包"MATLAB codes for physics-informed dynamic mode decomposition (piDMD).zip"包含的是用MATLAB编写的piDMD算法实现，这对于研究者和工程师来说是一个宝贵的资源，可以帮助他们理解和应用piDMD。...
Deep Retinex Decomposition for Low-Light Enhancement
03-06
本文标题“Deep Retinex Decomposition for Low-Light Enhancement”指明了研究主题，即通过深度Retinex分解技术对低光照图像进行增强处理。Retinex理论认为，人眼所观察到的图像实际上是由物体表面的反射率和光线...
Nonlinear interaction decomposition (NID)-A method for separation of cross-frequency coupled sources in human brain.pdf
04-05
非线性交互分解（Nonlinear Interaction Decomposition, NID）是一种新近提出的用于检测磁脑电图（Magnetoencephalography, MEG）与脑电图（Electroencephalography, EEG）中跨频率耦合（Cross-Frequency Coupling, ...
DynamicBackground
12-12
demo里面写了六种加载动态背景和动态图的方式，内有详细注释。
matlab中紫色的代码-DynamicModeDecomposition:类似于PCA的降维技术，没有正交性约束
06-08
matlab中紫的代码动态模式分解 与 PCA 类似的降维技术，没有正交性约束。 信号处理。 基于这篇原始论文，2008 年： 今天我们将构建一个 DMD 模型，该模型对动态系统底层结构进行建模。 它类似于 PCA，但是它没有正交性约束，这意味着它将不同频率的信号组合在一起（例如 20hz 和 50hz）。 这使我们能够更好地提取信号的各个组成部分（就像从紫色中提取蓝色和红色涂料）。 这在信号处理、音频处理、医疗时间序列数据、股票预测、具有各种频率分量的任何时间序列等广泛领域都有应用。 类似于傅立叶变换和小波变换，但非参数化。 虽然 PCA 为我们提供了紫色的最重要特征，但 DMD 将向我们提供它认为最重要的单个组件（或频率）来​​创建紫色（即红色 + 蓝色）。 我将在 Matlab 中通过结合不同相位的正割和切线信号来演示这一点。 然后我们将比较 DMD 和 PCA 如何分别将信号分开： 绘制我们两个不同的信号及其组合： 现在我们使用 PCA 来过滤我们数据的低秩特征（在这种情况下，我们希望模型返回 2，对于 Sec 和 Tan 信号） 我们可以看到 PCA 发现 2 个特征可以解释
CompositionalKoopmanOperators:[ICLR 2020]学习基于模型的控制的组合库普曼算子
05-16
学习基于模型的控制的组合Koopman运算符 李云珠*，郝浩*，吴嘉俊，狄娜·卡塔比，安东尼奥·托拉尔巴 （*表示平均分担） ICLR 2020（聚焦） 演示版 绳索操纵 在此任务中，我们通过向绳索顶部施加力来操纵绳索。 目标形状显示为红点。 请注意，在不同情况下，绳索质量的数量，重力常数和弹簧刚度是不同的。 软机器人-摇摆 让我们考虑控制一个由具有不同材质（例如硬组织（灰色）和软组织（浅蓝色））的盒子组成的软机器人。 一些盒子中的执行器可以执行收缩（红色）或扩展（绿色）的操作。 此任务是将其摆动为显示为红色网格的目标形状。 软机器人-游泳 这项任务是使软机器人向前游泳到目标形状，显示为红色网格。 安装 此代码库已通过Ubuntu 16.04 LTS，Python 3.6 +，PyTorch 1.2.0+和CUDA 10.0进行了测试。 依赖关系可以在requirements.txt找
《Randomized Low-Rank Dynamic Mode Decomposition for Motion Detection》读书笔记（下）
李皮皮的博客
07-13 435
谢绝任何不标注出处的转载如有问题请联系作者原文链接：https://arxiv.org/abs/1512.03526上文说了dmd的大概构建过程，这里复习DMD在背景提取上的应用。RPCA中对于背景提取已经有了成果，对于一个视频矩阵A，我们可以将其拆分成L和S两个矩阵。其中L是一个低秩矩阵，用于描述视频的背景；S是一个稀疏矩阵，用于描述视频中的动态物体：DMD不能像RPCA这样直接将矩阵拆分，但是...
《Randomized Low-Rank Dynamic Mode Decomposition for Motion Detection》读书笔记（上）
李皮皮的博客
07-12 1767
谢绝任何不标注出处的转载如有问题请联系作者原文链接：https://arxiv.org/abs/1512.03526 1. 这篇文章介绍了一种使用矩阵动态模式分解（Dynamic Mode Decomposition, DMD）来进行随机化低秩计算的快速算法。...
显著性论文学习阶段总结（二）
weixin_33941350的博客
03-25 485
1.Ali Borji, Laurent Itti, Exploiting Local and Global Patch Rarities for Saliency Detection, CVPR2012 1) 系统框架：   2) 算法思路： ①　图像表示：本文通过1500张图像中，在各通道提取出的8*8的patch，学到了一个自然图像的字典。使用这个字典以及一系列的系数α就可以重组...
【状态估计】非线性受控动力系统的线性预测器——Koopman模型预测MPC（Matlab代码实现）
weixin_66436111的博客
05-31 133
在数值实例中，以这种方式获得的线性预测器表现出优于现有线性预测器的性能，例如基于局部线性化或所谓的Carleman线性化的线性预测器。重要的是，构建这些线性预测器的过程完全是数据驱动的，而且非常简单——它归结为数据的非线性变换(提升)和提升空间中的线性最小二乘问题，可以很容易地解决大型数据集。我们特别关注模型预测控制(MPC)，并表明以这种方式设计的MPC控制器具有与具有相同数量的控制输入和相同维数的状态空间的线性动力系统的MPC相当的底层优化问题的计算复杂度。部分理论来源于网络，如有侵权请联系删除。
Multi-Resolution Dynamic Mode Decomposition
07-24
多分辨率动态模态分解（Multi-Resolution Dynamic Mode Decomposition，MR-DMD）是一种改进的动态模态分解（Dynamic Mode Decomposition，DMD）技术，用于分析和提取多个时间尺度上的动态特征。 在传统的DMD方法中...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值