Regiões de Dificuldade em Quadros de Dataset para Segmentação

A avaliacao da performance de um novo algoritmo deve mostrar suas alteracoes quanto ao estado da arte. Sendo assim, avaliar um algoritmo de change detection, deteccao de mudancas, requer sua execucao, com o objetivo de identificar areas inconstantes (segmentacao) em frames de videos, relacionados a datasets, para comparar os resultados com um ground truth. Enfim, esta comparacao e responsavel por identificar erros, os quais sao a base para o calculo de metricas que representam a performance de um novo algoritmo. Por conseguinte, a performance de cada algoritmo pode ser contrastada em relacao a outros, desde que todos os codigos trabalhem com o mesmo conjunto de videos. Considerando, que este dataset deve possuir um arsenal de alto potencial para analise de tecnicas. Alem disso, a forma tradicional de avaliacao de desempenho de algoritmos de change detection e bem aceita pela comunidade cientifica, contudo, utilizando dos resultados das segmentacoes e possivel obter outras informacoes relevantes. Um exemplo, seria o nivel de dificuldade para a classificacao de um pixel. Ademais, neste artigo sera apresentado um metodo para identificar a dificuldade em classificar os pixels por meio de algoritmos de change detection. Finalmente, para a realizacao disto, foram utilizados resultados de segmentacoes de varios algoritmos de ultima geracao, alem, do armazenamento dos valores representantes dos niveis de dificuldade em matrizes, denominadas mapas de dificuldade. Em sintese, os experimentos foram realizados utilizando videos do dataset CDnet 2014 e os resultados das segmentacoes produzidas por algoritmos disponiveis no repositorio CDnet 2014. Por fim, os resultados demonstram que o mapa de dificuldade pode ser utilizado (i) como uma nova medida para a avaliacao de desempenho de um algoritmo de deteccao de mudancas e (ii) como uma medida do potencial para avaliar videos de um conjunto de dados.