何为行人检测带来帮助?
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
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
本研究提出了一种新的基于注意力机制的深度神经网络 HydraPlus-Net(HP-net),在行人属性识别和人物再识别两个任务上,该模型能够从低级到语义级别捕获多个注意点,并探索注意特征的多尺度选择性以丰富最终的特征表示。大量的实验结果证明了 HP-net 在各种数据集上优于现有的最先进方法。
Sep, 2017
本篇论文提出一个基于深度学习的行人检测系统,通过分析和优化检测流程的每一步,我们提出了一种优于传统方法的架构,在保持低计算时间情况下实现了接近先进方法的任务准确性,并在 NVIDIA Jetson TK1 上测试了该系统。
Oct, 2015
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
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
本文比较了四种现代图像分类网络提取 features 的结果,并研究了不同的特征标准化技术的使用。结果表明,当使用 CNN 特征进行异常检测时,选择适当的标准化方法对于提高性能至关重要。
Nov, 2018
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
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
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