嵌入式深度学习人员检测方法的比较
计算机视觉与模式识别
2019-01-09 v2
摘要
并行计算、GPU 技术与深度学习的近期进展为人员检测等复杂图像处理任务提供了蓬勃发展的新平台。人员检测是若干高层计算机视觉任务的基元操作。可显著受益于人员检测的一个行业是零售。近年来，各种研究尝试利用神经网络与深度学习寻找人员的最优解。本研究对最先进的基于深度学习的对象检测器进行比较，重点关注室内环境下人员检测性能。使用我们专有的内部数据集（包含从商场、零售店与商店捕获的超过一万张室内图像）评估了 YOLO、SSD、RCNN、R-FCN 与 SqueezeDet 的多种实现的性能。实验结果表明，Tiny YOLO-416 与 SSD (VGG-300) 是最快的，而 Faster-RCNN (Inception ResNet-v2) 与 R-FCN (ResNet-101) 是本研究考察中最准确的检测器。进一步分析显示，YOLO v3-416 在合理时间内给出相对准确的结果，这使其成为嵌入式平台中人员检测的理想模型。
引用
@article{arxiv.1812.03451,
title = {A Comparison of Embedded Deep Learning Methods for Person Detection},
author = {Chloe Eunhyang Kim and Mahdi Maktab Dar Oghaz and Jiri Fajtl and Vasileios Argyriou and Paolo Remagnino},
journal= {arXiv preprint arXiv:1812.03451},
year = {2019}
}