Jan, 2015

用于行人检测的滤波频道特征

PDF
TL;DR本文提出了一个统一框架来模拟多个表现良好的行人检测器，其中包含了中间层过滤低级特征和使用增强决策森林算法。通过使用过滤的渠道特征，仅仅使用 HOG + LUV 的低级特征使我们在具有挑战性的 Caltech 和 KITTI 数据集上获得了最佳性能，当加入光流特征时，我们在 Caltech 数据集上获得了最好的检测效果，1 个 FPPI 时达到了 93% 的召回率。
发现论文，激发创造
  • 学习多层通道特征用于行人检测

    该研究提出了一种基于多层通道特征的统一框架，通过将 HOG+LUV 和 CNN 的各层整合在一起，学习了一个多级级联 AdaBoost，使得在 Caltech 行人数据集上的漏检率为 10.40％，使用新的准确注释后，漏检率为 7.98％，并且检测速度比现有技术有 1.43 倍的加速，并具有可行性损失。

    Mar, 2016

  • 使用无监督多阶段特征学习进行行人检测

    本文利用卷积网络模型，采用多阶特征提取，全局形状信息和本地独特的纹理信息相结合以及基于卷积稀疏编码的无监督方法来预训练过滤器，取得了所有主要行人数据集上的最先进和有竞争力的结果，从而解决了行人检测的实际问题。

    Dec, 2012

  • 使用空间池化特征加强行人检测效果

    本研究提出一种简单而有效的行人检测方法，其基于低级视觉特征和空间池化，将部分 ROC 曲线下面积直接优化，表现出色优于当前所有竞争方法，平均错误率最低达到了 11％，与多个基准数据集相比，取得了最先进的结果。

    Jul, 2014

  • 何为行人检测带来帮助？

    本文介绍了利用额外特征增强 CNN-based 行人检测方法的有效性，并提出了一种利用多任务训练学习额外特征的网络结构 HyperLearner，通过多次实验得出这种方法的有效性。

    May, 2017

  • 用于多视角人脸检测的聚合通道特征

    利用聚合通道特征的多视角检测方法提高人脸检测的性能， 能够处理野外环境中不同表现形式的人脸。

    Jul, 2014

  • 增强还是不增强？关于使用增强树在物体检测方面的极限

    该研究旨在研究现有的提升决策树分类器的建模局限性，通过实验发现，恰当的数据集大小和属性可以将模型模拟得更好，但模型有其局限性，需要进行架构改变来与深度架构竞争。

    Jan, 2017

  • 探索基于人类视觉特征的行人检测

    基于人类注意力系统中的中心环绕机制，提出使用平均对比度图来挑战街景中的行人检测，并从局部、统计学和多通道等方面设计描述子，引入基于网格单元的多方向和多尺度对比度方案，得到了最优化检测器，并在 INRIA 和 Caltech 行人数据集上取得了业内领先的性能表现。

    Jan, 2015

  • 卷积通道特征

    本文讨论了利用 Convolutional Channel Features（CCF）将预训练 CNN 模型的底层特征传输到 boosting forest 模型的方法，这样可以在不进行整个神经网络的微调的情况下将预训练 CNN 模型应用到不同的任务中，并且在行人检测、人脸检测、边缘检测和物体建议生成等领域取得了最先进的成果。

    Apr, 2015

  • 想象看见：通过对抗特征补全实现被遮挡行人检测

    我们提出了一种基于特征补全和对抗学习的行人检测方法，通过对被遮挡区域进行特征补全，实现了行人特征的对齐，实验证明该方法在重度遮挡场景下取得了显著改进，并在多个数据集上达到了最先进的结果。

    May, 2024

  • 行人检测十年，我们学到了什么？

    分析行人检测领域中 40 多个探测器中探索的主要思想，发现存在 3 类方法，目前都达到了相似的检测质量，结合多种发布的策略，建立了一个新的决策树检测器，在 Caltech-USA 数据集上实现了当前已知的最佳性能。

    Nov, 2014