用于抑制两阶段 CNN 检测方法中误报的全阶段精炼提议算法
计算机视觉与模式识别
2025-08-05 v1 人工智能
摘要
行人检测中的误报仍是一个尚未有效解决的挑战。为此，本文提出了旨在消除这些误报的全阶段精炼提议(FRP)算法，以纳入基于两个阶段 CNN 的行人检测框架中。本工作的主要创新点在于采用各种行人特征重新评估策略，在训练和测试阶段过滤掉低质量的行人提议。具体而言，在训练阶段，训练模式 FRP 算法(TFRP)引入一种新颖的行人提议验证方法，以有效指导模型训练过程，从而构建具备强大误报抑制能力的模型。在推理阶段，实施了两种创新策略：分类器引导的 FRP(CFRP)算法将行人分类器集成到提议生成管道中，通过行人特征评估产出高质量提议；分割提议 FRP(SFRP)算法垂直分割所有提议，将原始提议和子区域提议分别送至后续子网络，以评估其置信度分数，从而筛选出置信度较低的子区域行人置信度分数较低的提议。结果，该提出的算法在所有阶段提升了模型抑制行人误报的能力。在多个基准数据集和 SY-Metro 数据集上进行的各种实验表明，该模型通过不同组合的 FRP 算法能够在不同程度上有效消除误报。此外，在嵌入式平台上的实验强调了该算法在资源受限的边缘设备上提升小尺寸行人检测器综合检测能力的有效性。
引用
@article{arxiv.2508.01382,
title = {A Full-Stage Refined Proposal Algorithm for Suppressing False Positives in Two-Stage CNN-Based Detection Methods},
author = {Qiang Guo and Rubo Zhang and Bingbing Zhang and Junjie Liu and Jianqing Liu},
journal= {arXiv preprint arXiv:2508.01382},
year = {2025}
}