Oct, 2019

人群中的属性感知行人检测

PDF
TL;DR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。
pedestrian detectiondeep learningsemantic attributesnon-maximum suppressionbenchmark datasets
发现论文，激发创造
  • 自动驾驶车辆 32 个行人属性的检测

    本文介绍了一种基于多任务学习的模型，通过一个复合场景的框架实现了车载摄像头下的行人检测和 32 种行人属性的识别，其中包括道路等待行为的预测，结果在自动驾驶领域表现出竞争力和稳定性。

    Dec, 2020

  • 行人属性识别：一份调查

    介绍了现有的人行属性识别方法，包括传统方法和基于深度学习网络的方法，同时分析了多种学习算法和网络架构，总结出可行的研究方向，并给出实验结果的性能评估。

    Jan, 2019

  • 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

  • 弱监督学习中层特征在行人属性识别和定位中的应用

    本文提出了一种基于 GoogLeNet 网络的弱监督属性定位框架来解决行人属性识别问题，其中使用最大池化的弱监督目标检测技术来训练属性特征图，并通过检测响应大小的回归来预测属性标签，通过对检测层激活图的融合加权聚类，可以推断出行人属性的位置和大致形状。实验证明该方法在行人属性识别和定位方面取得了有竞争力的表现。

    Nov, 2016

  • 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

  • 变分行人检测

    本文基于变分推理的视角，利用自编码变分贝叶斯算法提出了一种高效的行人检测算法，将密集检测框作为潜在变量，提高了现有基于交并比的器检测方法在人群密集情况下的效率。实验证明：该算法可用于单阶段检测器，同时也能提高双阶段检测器性能表现。

    Apr, 2021

  • 面向行人属性识别的属性感知池化

    通过设计新颖的属性感知池化算法，本论文将深度卷积神经网络 (CNN) 的强大功能扩展到行人属性识别问题，充分利用不同属性之间的相关性解决多属性分类的挑战，并在基准数据集上进行了实验验证。

    Jul, 2019

  • 学习识别行人属性

    本文介绍了一种利用周围的行人图像 context，比传统的基于 SVM 方法更好地推断行人属性的方法，并通过我们新发布的行人属性数据集进行实验评估背景和前景特征对属性识别的相关性。

    Jan, 2015

  • 端到端模型中的深度视角感知行人属性推断

    本文介绍了一个基于端到端学习框架的人行属性推断方法，将其作为多标签图像分类任务，以此来处理属性之间的语义关系并在三个挑战性数据集上得到了显著提升。

    Jul, 2017

  • 适应性 NMS: 在人群中优化行人检测

    本文提出一种使用新型非极大值抑制（NMS）算法解决人群中的行人检测问题，使用自适应 NMS 和学习密度得分的子网络，可以有效改善边界框的精确度，并在 CityPersons 和 CrowdHuman 基准测试中取得了最先进的结果。

    Apr, 2019