Mar, 2016

学习多层通道特征用于行人检测

PDF
TL;DR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。
pedestrian detectionconvolutional neural networkhog+luvmultilayer channel featurescascade adaboost
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 学习复杂度感知的级联模型用于深度行人检测

    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。

    Jul, 2015

  • 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

  • 准确物体检测与语义分割的丰富特征层次结构

    提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

    Nov, 2013

  • OverFeat: 使用卷积网络集成识别、定位和检测

    本文提出了一个基于卷积网络进行分类、定位和检测的综合框架，展示了如何在 ConvNet 中高效实现多尺度和滑动窗口方法，并通过学习预测目标边界来实现定位，最后释放了我们最佳模型的特征提取器 OverFeat。

    Dec, 2013

  • 用于遮挡行人检测的特征校准网络

    本文介绍了一种基于深度学习框架的新型特征学习方法 - 特征校准网络 (FC-Net)，该方法能够自适应检测含有多种遮挡情况的行人。作者通过引入自激活模块和特征校准模块，在学习特征时能够突出行人可见部分，压制遮挡部分。实验结果表明，在 CityPersons 和 Caltech 数据集上，FC-Net 在遮挡行人检测准确率上提高了 10%，同时在无遮挡情况下的检测表现仍然出色。

    Dec, 2022