Sep, 2019

PedHunter：拥挤场景下抗遮挡行人检测器

PDF
TL;DR该论文提出了一种名为 PedHunter 的有效和高效检测网络，引入了强大的遮挡处理能力来检测拥挤场景中的行人，采用掩码引导模块增强骨干网络的特征表示学习，改进正样本的质量提高分类准则，采用模拟遮挡数据来提高遮挡鲁棒性，在三个行人检测数据集上取得了最先进的结果，并发布了一个包含超过 162k 高质量手动标记实例的新行人数据集 SUR-PED，以便于进一步研究监视场景中的遮挡行人检测。
pedestrian detectionocclusion handlingregion-based detection networksmask-guided moduleocclusion-simulated data augmentation
发现论文，激发创造
  • Occlusion-aware R-CNN: 检测人群中的行人

    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

  • 面向遮挡行人检测的掩模引导注意力网络

    本文介绍了一种基于注意力网络的被遮挡行人检测方法，具备在 CityPersons 和 Caltech 两个数据集上超过现有方法的鲁棒性能

    Oct, 2019

  • 聚集场景中通过头部聚焦处理高度遮挡问题的密集人群跟踪

    本研究中，我们提出了一种联合检测深度学习模型，用于解决在高密度人群中识别和跟踪行人的问题，实验数据表明，该模型在小型和中型行人检测方面取得了最先进的结果。

    Apr, 2023

  • 语义驱动的多摄像头行人检测

    本论文介绍了一个利用自动提取的场景上下文信息的多摄像头全局组合行人检测方法，通过语义分割技术获得上下文信息用于自动生成场景的共同区域，从而获取一系列的联合检测框。相比其他同类方法，本文提出的方法具有场景无关性和实现的快速性，且在五个公共数据集上验证具有更好的性能。

    Dec, 2018

  • 密集群众中的行人头部追踪

    该研究提出一种基于头部检测和轨迹跟踪的算法来解决人群密度大的环境下的行人追踪问题，并提出了一种新的衡量算法效果的指标，并在 Crowd of Heads Dataset（CroHD）上进行了比较，表现优异。

    Mar, 2021

  • 排斥损失：人群中的行人检测

    本研究针对人流密集的场景，提出了一种新的边框回归损失函数，即排斥损失，该方法利用目标的吸引力和周围物体的排斥力使得定位更加准确，实验证明该方法在人流密集时表现优于其他现有方法。

    Nov, 2017

  • 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

  • 语义头部增强人群中的行人检测

    该论文提出了一种名为 HBAN 的方法，通过引入人头的先验信息，采用对称的人体部位检测方法以及对齐损失函数，有效地增强了行人检测的性能和稳健性。

    Nov, 2019

  • CrowdHuman：人群中检测人物的基准

    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

  • STCrowd: 拥挤场景中行人感知的多模态数据集

    为了更好地评估拥挤场景下的行人感知算法，我们引入了一个大规模多模态数据集 STCrowd，并提出了一种新的方法 DHA 来增强拥挤场景中的行人感知。实验表明，我们的方法在各种数据集上均取得了最先进的性能。

    Apr, 2022