语义头部增强人群中的行人检测
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
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。
Sep, 2019
该研究提出了一种新的联合头部和人体检测网络,包括设计一个头体关系区分模块执行头和身体之间的关系学习,并利用所学关系来减少头部误报率和提高人体检测率。进行相关实验后,该联合检测器在三个基准数据集中取得了最佳性能,且提供新的注释,源代码和训练模型以便进一步研究。
Sep, 2019
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
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
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
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
本文针对行人检测问题,提出了一种基于语义分割和自注意力机制的多任务网络方法,在弱标注图像数据集上,并入注意力信息,提高了检测性能,在 Caltech 数据集上达到了 MR 为 6.27% 的最佳检测性能,同时在 CityPersons 数据集上保持高计算效率。
Feb, 2019