Tamanho da fonte: 

A avaliação da performance de um novo algoritmo deve mostrar suas alterações quanto ao estado da arte. Sendo assim, avaliar um algoritmo de change detection, detecção de mudanças, requer sua execução, com o objetivo de identificar áreas inconstantes (segmentação) em frames de vídeos, relacionados a datasets, para comparar os resultados com um ground truth. Enfim, esta comparação é responsável por identificar erros, os quais são a base para o cálculo de métricas que representam a performance de um novo algoritmo. Por conseguinte, a performance de cada algoritmo pode ser contrastada em relação a outros, desde que todos os códigos trabalhem com o mesmo conjunto de vídeos. Considerando, que este dataset deve possuir um arsenal de alto potencial para análise de técnicas. Além disso, a forma tradicional de avaliação de desempenho de algoritmos de change detection é bem aceita pela comunidade científica, contudo, utilizando dos resultados das segmentações é possível obter outras informações relevantes. Um exemplo, seria o nível de dificuldade para a classificação de um pixel. Ademais, neste artigo será apresentado um método para identificar a dificuldade em classificar os pixels por meio de algoritmos de change detection. Finalmente, para a realização disto, foram utilizados resultados de segmentações de vários algoritmos de última geração, além, do armazenamento dos valores representantes dos níveis de dificuldade em matrizes, denominadas mapas de dificuldade. Em síntese, os experimentos foram realizados utilizando vídeos do dataset CDnet 2014 e os resultados das segmentações produzidas por algoritmos disponíveis no repositório CDnet 2014. Por fim, os resultados demonstram que o mapa de dificuldade pode ser utilizado (i) como uma nova medida para a avaliação de desempenho de um algoritmo de detecção de mudanças e (ii) como uma medida do potencial para avaliar vídeos de um conjunto de dados.

Detecção de mudanças. Avaliação de desempenho. Mapa de dificuldade.