Nov, 2024

RPEE-HEADS：人群视频中行人头部检测的全新基准

HTML
PDF
TL;DR本研究解决了在拥挤环境中行人头部自动检测的不足，该环境在公共数据集中严重缺乏。通过引入高分辨率、多样化且准确注释的RPEE-Heads数据集，本研究提供了109,913个行人头部的标注，并评估了八种前沿物体检测算法。实验结果表明，特定的检测模型在此数据集上显著提高了检测精度，强调了专用数据集在真实场景中的重要性。
发现论文，激发创造
  • 行人检测问题距离解决还有多远？

    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

  • 利用深度传感器在杂乱场景下进行实时人数统计的基准数据和方法

    本文提出了用于智能交通系统中真实世界杂乱场景下人数自动计数的方法，其基于RGB-D数据集，使用深度视频的点云计算方法、3D人体模型和轨迹跟踪来计数，得到高精度的计数结果。

    Apr, 2018

  • 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

  • EuroCity人员数据集：一种新的目标检测基准

    该研究介绍了EuroCity Persons数据集，该数据集提供了大量的准确和详细的交通场景中的行人、骑车人和其他骑车人的标注，该数据集比以前用于基准测试的人员数据集大近一个数量级，而且还包含大量的人员方向标注，研究优化了四种先进的深度学习方法来服务于新的对象检测基准测试。

    May, 2018

  • 双锚点 R-CNN 用于拥挤情况下的人物检测

    本文提出了一种名为Double Anchor R-CNN的框架， 处理拥挤场景下的人体检测，通过身体和头部匹配双重先验区域提出与提出交叉策略以及联合的后期处理模块，实现在拥挤场景下同时检测每个人的头部和身体，并在CrowdHuman， COCOPersons（拥挤子数据集）和CrowdPose（拥挤子数据集）数据集上取得了最新颖的结果。

    Sep, 2019

  • WiderPerson：野外密集行人检测的多样数据集

    介绍了一种新的数据集WiderPerson，用于解决现有行人检测数据集缺少多样性和密度的问题，并提出了改进的Faster R-CNN和RetinaNet模型作为基准。在Caltech-USA和CityPersons等数据集上进行实验，证明该数据集可以有效提高模型的泛化能力，但需要加强对分类能力的改进以降低误报率和漏报率。

    Sep, 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

  • 一般化行人检测：房间里的大象

    本研究通过直接的跨数据集评估的一般性原则，发现了现有最先进的行人检测器在跨数据集评估中通常表现不佳，主要因为其设计可能偏向传统的单数据集训练测试流程中的流行基准，而训练数据源不够密集和多样化。此外，本文提出了一条渐进的培训流水线，可以明显地提高与自动驾驶相关的行人检测的性能。

    Mar, 2020

  • 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

  • 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