Segmentación automática de movimiento en proyecciones comprimidas de secuencias de videos multiespectrales mediante aprendizaje profundo

El vídeo espectral ha surgido como una herramienta científica no invasiva para analizar el comportamiento de escenas dinámicas en alta resolución espectral, siendo de gran interésen diversas áreas del conocimiento enfocadas a la detección de anomalías, clasificación de materiales, y seguimiento de objetos. Dada su importancia, diversas técnicas se han desarrollado paraobtener la información espectral de la escena en formato comprimido, a fin de solventar los problemas de adquisición, almacenamiento y procesamiento. Estas técnicas consisten en sistemas ópticosque captan y codifican la información tridimensional de la escena (espacio-espectral) en un conjuntode proyecciones bidimensionales, a altas velocidades de fotograma. A partir de estas medidas comprimidas, se puede recuperar el vídeo espectral subyacente mediante algoritmos de reconstruccióncomputacional, para realizar las diversas tareas de procesamiento como la detección, identificacióny seguimiento de objetos en movimiento. Sin embargo, el principal desafío de los enfoques basadosen la reconstrucción es el alto costo computacional, que incrementa significativamente con el númerode fotogramas. En este trabajo se presenta una estrategia para segmentar objetos en movimiento enel dominio de compresión. El método propuesto incorpora redes neuronales convolucionales paramodelar características espacio-temporales que permiten detectar las regiones de movimiento prominente sin necesidad de reconstruir el conjunto de datos. Los experimentos realizados muestran lacalidad de la segmentación del enfoque propuesto respecto a un método del estado del arte, quetambién realiza esta tarea de inferencia en el dominio de compresión, reportando en promedio unamejora del 29 % en C-CASSI y 24% en CASSI en términos de F-measure.

• Autores: Lucena Luna, Liseth Verónica
• Tipo de recurso: http://purl.org/coar/version/c_b1a7d7d4d402bcce
• Fecha de publicación: 2021
• Institución: Universidad Industrial de Santander
• Repositorio: Repositorio UIS
• Idioma: spa
• OAI Identifier: oai:noesis.uis.edu.co:20.500.14071/41583
• Acceso en línea: https://noesis.uis.edu.co/handle/20.500.14071/41583; https://noesis.uis.edu.co
• Palabra clave: Muestreo Compresivo; Vídeo Espectral; Redes Neuronalesconvolucionales; Segmentación Del Movimiento; Compressive Sampling; Spectral Video; Convolutional Neural Networks; Motion Segmentation.
• License: Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)