Jan, 2015

探索基于人类视觉特征的行人检测

PDF
TL;DR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。
pedestrian detectionaverage contrast mapsmulti-channel descriptorcontrast schemeperformance
发现论文，激发创造
  • 示例引导的对比学习用于行人检测

    本研究提出了一种基于对比学习的方法，将代表行人外观的先验知识转化为示例字典，通过最小化不同外貌之间的语义距离来消除外观多样性，从而有效地检测行人。

    Nov, 2021

  • 从手工制作到深度特征：行人检测综述

    本文概述了近年来关于行人检测的研究进展，主要包括采用手工特征和深度特征的方法，单通道和多通道行人检测的研究，以及相关数据集和评价指标的介绍。作者还强调了当前需要解决的问题和未来的研究方向。

    Oct, 2020

  • 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

  • 学习跨模态深度表示以实现鲁棒的行人检测

    本文介绍了一种新的行人检测方法，基于跨模态学习框架、深度卷积神经网络等技术，可在恶劣光照条件下实现行人检测，并在公开数据集上表现出优异的性能。

    Apr, 2017

  • 亮通道先验关注多光谱行人检测

    提出了一种新方法 “亮通道先验关注”，通过集成图像增强和检测，将可见光图像的无监督自编码器与热像图像的 HSV 图像的 V 通道作为注意图触发，逐渐强调行人特征，以改善低光条件下的行人检测，包括自注意力增强模块和检测模块，通过强化网络生成更加关注行人的信息表示来提高目标检测性能。

    May, 2023

  • 学习识别行人属性

    本文介绍了一种利用周围的行人图像 context，比传统的基于 SVM 方法更好地推断行人属性的方法，并通过我们新发布的行人属性数据集进行实验评估背景和前景特征对属性识别的相关性。

    Jan, 2015

  • 基于同时检测和分割的多光谱行人检测

    本研究针对光照不足条件下的多光谱行人检测，提出了一种融合网络架构，包括多光谱提议网络和多光谱分类网络。该网络通过同时优化行人检测和语义分割任务进行学习，并通过整合不同模式和两个阶段的输出来获得最终的检测结果，在 KAIST 数据集上显著优于现有方法。此外，作者也提供了一个经过消毒的 KAIST 数据集训练标注，帮助解决不同种类标注错误的问题。

    Aug, 2018

  • 光照感知深度神经网络融合多光谱数据用于行人检测

    本文提出一种基于多任务学习的多光谱行人检测框架，利用新颖的感知权重机制、带 illumination-aware 的深层卷积神经网络等技术，提高了检测和语义分割的性能。实验结果表明，该方法在 KAIST 多光谱行人数据集上性能超过了现有的最先进方法。

    Feb, 2018

  • 人群中的属性感知行人检测

    针对密集环境下行人检测中存在的遮挡和高度拥挤等问题，本文提出了一种基于属性感知的行人检测器，采用深度学习框架，利用属性特征进行检测和区分，引入了基于属性特征的非极大值抑制，设计了一种新的数据集以缓解训练过程中的困难，实验表明该方法在行人检测方面优于目前的最新方法。

    Oct, 2019

  • 用于行人检测的滤波频道特征

    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。

    Jan, 2015