无锚框小尺度多光谱行人检测
计算机视觉与模式识别
2020-08-21 v2
摘要
由对齐的可见光（VIS）与热红外（IR）图像对组成的多光谱图像非常适合于自动驾驶或视觉监控等实际应用。此类数据可用于提升行人检测的性能，尤其是对于弱光照、小尺度或部分遮挡的实例。当前最先进水平（SOTA）基于Faster R-CNN的变体，因此经过两个阶段：带有用于目标定位的手工设计锚框的提议生成网络，以及用于验证目标类别的分类网络。在本文中，我们提出一种在改进的单阶段无锚框基础架构中有效且高效融合两模态的方法。我们旨在基于目标中心与尺度而非直接的边界框预测来学习行人表示。以此方式，我们既能简化网络架构，又能在遮挡或低目标分辨率下实现更高的检测性能。此外，我们提供了一项关于适宜的多光谱数据增强技术的研究，其改进了常用增强方法。结果表明了我们的方法在检测小尺度行人上的有效性。在具有挑战性的KAIST多光谱行人检测基准上，我们取得了5.68%的对数平均漏检率，而当前最佳SOTA为7.49%（提升25%）。代码：https://github.com/HensoldtOptronicsCV/MultispectralPedestrianDetection
引用
@article{arxiv.2008.08418,
title = {Anchor-free Small-scale Multispectral Pedestrian Detection},
author = {Alexander Wolpert and Michael Teutsch and M. Saquib Sarfraz and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2008.08418},
year = {2020}
}
备注
BMVC2020