Jul, 2015

学习复杂度感知的级联模型用于深度行人检测

PDF
TL;DR通过复杂度感知级联训练（CompACT）算法进行级联学习，以实现在较少返回时间内优化级联检测器的准确率与复杂度。在深度卷积神经网络响应和目标建议机制基础上，实现了具有不同复杂度特征池的行人检测器，并在 Caltech 和 KITTI 数据集上取得了最先进的表现。
cascade detectorsfeature complexityboosting algorithmdeep cnnpedestrian detection
发现论文，激发创造
  • 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

  • 信任教师：学习压缩模型进行行人检测

    本文提出了一种使用高维提示层和估计大网络输出方差的方法来改进知识蒸馏技术，并采用手动设计的特征来提升小型网络的性能，实现了比 AlexNet 更好的性能，同时拥有大网络 $400 imes$ 更少的参数。

    Dec, 2016

  • 深度特征级联自适应跟踪策略学习

    本文提出了一种自适应的视觉目标跟踪方法，通过离线学习增强学习代理来决定何时在浅层或深层特征下对图像进行处理，从而实现在单个 CPU 上快速跟踪，同时为几乎 50% 的时间提供了 100 倍的速度提升。

    Aug, 2017

  • 面向外部分布的行人检测的持续学习

    本论文提出了一种连续学习的解决方案，以解决行人检测的超出分布问题，并针对性能降低的问题制定了改进的 Elastic Weight Consolidation 方法。通过在一个数据集上进行训练和在另一个数据集上进行微调来达到学习新分布并在先前的数据集上保持性能的目的。

    Jun, 2023

  • 使用分层知识蒸馏学习轻量级行人检测器

    本研究提出了一种新的层次化知识蒸馏框架，以学习轻量级行人检测器，该方法可以显著降低计算成本并同时保持高精度。实验结果表明，使用我们的框架训练的学生模型，在参数数量压缩了 6 倍的情况下，仍然可以在广泛使用的行人检测基准上实现与老师模型相当的性能。

    Sep, 2019

  • 弱监督级联卷积网络

    本研究提出了基于级联卷积神经网络的两种体系结构，旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题，第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项，在三阶段体系结构中，中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测，分类和定位领域的实验中表现出了改进。

    Nov, 2016

  • 自适应中心和尺度预测：更稳定和更准确

    该论文通过在 Center and Scale Prediction (CSP) 检测器上提出改进的方法，实现了锚点无关和单阶段检测器的高精度，探索了 Switchable Normalization 的一些能力。在 CityPersons 基准测试中，表现为 log-average miss rate (MR) 在 reasonable set 上为 9.3％，在 partial set 上为 8.7％，在 bare set 上为 5.6％，获得了第二高的性能。

    Feb, 2020

  • 基于深度学习语义任务的行人检测

    通过提出一种新的深层模型，从多个数据源中学习高级特征和多个任务，这项工作联合优化了行人检测及语义任务，包括人行属性，场景属性等，并设计了一个多任务函数来协调任务和减少数据集之间的差异，通过大量验证，证明了该方法在 Caltech 和 ETH 数据集上优于最先进的模型.

    Nov, 2014

  • 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

  • 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