两阶段 CNN 检测方法中抑制 FP 的 PST 算法
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
本文提出了采用 RPN 和 boosted forests 结合进行行人检测的方法,在多个基准数据集上得到不错的检测精度和速度,并开放了源代码。
Jul, 2016
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
提出了基于深度神经网络的快速、精准行人检测方法,并将像素级语义分割网络集成到网络融合架构中,以提高检测性能和速度。该方法比现有技术更好地检测小尺寸和遮挡的行人,在 Caltech 行人数据集的多个指标上效果显著优于其他方法。
Oct, 2016
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
本文提出了一种主动型行人检测器,该检测器利用多层神经表示、ResNet 和 faster R-CNNs 等技术实现对行人检测,能够有效解决行人检测中小尺寸行人偏远离摄像头时检测效果不佳的问题,经实验证实具有良好的性能。
Sep, 2017
该论文通过在 Center and Scale Prediction (CSP) 检测器上提出改进的方法,实现了锚点无关和单阶段检测器的高精度,探索了 Switchable Normalization 的一些能力。在 CityPersons 基准测试中,表现为 log-average miss rate (MR) 在 reasonable set 上为 9.3%,在 partial set 上为 8.7%,在 bare set 上为 5.6%,获得了第二高的性能。
Feb, 2020
本论文通过对 Faster R-CNN 进行多光谱行人检测任务的深入分析,并将其建模为卷积神经网络(ConvNet)融合问题,同时发现使用彩色和热成像图像训练的基于 ConvNet 的行人检测器在区分人类实例方面提供了互补信息,其在 KAIST 行人基准上的实验结果表明,在不同 DNN 阶段集成两个分支 ConvNets 的四种 ConvNet 融合结构中,半路融合模型在中间级卷积特征上的结合优于基线方法 11%,遗漏率比其他建议的架构低 3.5%。
Nov, 2016
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
本研究针对光照不足条件下的多光谱行人检测,提出了一种融合网络架构,包括多光谱提议网络和多光谱分类网络。该网络通过同时优化行人检测和语义分割任务进行学习,并通过整合不同模式和两个阶段的输出来获得最终的检测结果,在 KAIST 数据集上显著优于现有方法。此外,作者也提供了一个经过消毒的 KAIST 数据集训练标注,帮助解决不同种类标注错误的问题。
Aug, 2018