CityPersons: 一个用于行人检测的多样化数据集
该研究介绍了 EuroCity Persons 数据集,该数据集提供了大量的准确和详细的交通场景中的行人、骑车人和其他骑车人的标注,该数据集比以前用于基准测试的人员数据集大近一个数量级,而且还包含大量的人员方向标注,研究优化了四种先进的深度学习方法来服务于新的对象检测基准测试。
May, 2018
介绍了一种新的数据集 WiderPerson,用于解决现有行人检测数据集缺少多样性和密度的问题,并提出了改进的 Faster R-CNN 和 RetinaNet 模型作为基准。在 Caltech-USA 和 CityPersons 等数据集上进行实验,证明该数据集可以有效提高模型的泛化能力,但需要加强对分类能力的改进以降低误报率和漏报率。
Sep, 2019
本文提出一种新的遮挡感知 R-CNN (OR-CNN) 检测算法来提高人群中行人检测的准确率,其中使用的新型聚合损失来将建议的探测框紧密地与相应的对象定位;使用新的部分遮挡感知 ROI 池化单元来整合人体结构的前期结构信息以及可见性预测到网络中来处理遮挡,此检测器在三个行人检测数据集上达到了最新的结果,并且在 Caltech 上与最新技术持平。
Jul, 2018
本研究利用全局 CNN 模型和成对 CNN 模型来检测自然场景下的人头部位,通过引入新的数据集进行测试,结果显著提高了人头部位检测的准确性,并优化了检测速度。
Nov, 2015
本文研究卷积神经网络在行人检测中的应用。本研究表明,即使没有明确建立问题的模型,也可以获得具有竞争力的性能,探讨了不同训练数据(包括预训练)对卷积神经网络行人检测器性能的影响,标志谷数据集和 KITTI 数据集的实验证明本方法的有效性。
Jan, 2015
介绍了一个用于人行检测和人物识别的新数据集 PRW 及其评估,利用 6 个同步摄像头采集的视频,包含 932 个身份和 11,816 帧,使用了各种检测器和识别器的绩效分析,提出了两种改进措施,并评估了这些措施对于人物重新识别的效果。
Apr, 2016
提出一种基于卷积神经网络的人物识别系统,针对不同的身体线索和训练数据量的信息量,系统的常见故障模式进行了深入分析,并讨论了现有基准的局限性并提出更具挑战性的基准,其简单易用且在社交媒体照片数据集(PIPA)上达到了更好的成果。
Sep, 2015
本文介绍了一个新的数据集 CrowdHuman,用于更好地评估人群场景中的探测器,该数据集包含各种各样的遮挡问题,通过对比先前的数据集,展示了在 Cross-dataset generalization 方面的表现。
Apr, 2018
该研究探究了行人检测领域当前最先进的方法和 “完美的单帧检测器” 的差距,并通过创建行人检测的人类基线和手动聚类来对其进行分析。通过研究检测器的训练注释噪声对检测器性能的影响,以及研究卷积神经网络用于行人检测时影响其性能的因素,该研究提出了改进方法,并在 Caltech 数据集上取得了最佳性能。
Feb, 2016