基于框级分割监督的深度神经网络用于准确实时的多光谱行人检测
计算机视觉与模式识别
2019-02-15 v1
摘要
由多模态传感器（可见光与红外相机）捕获的互补信息的有效融合，使得在各种监控场景（如白天与夜间）下实现鲁棒的行人检测成为可能。本文中，我们提出一种新颖的框级分割监督学习框架，通过融合可见光与红外通道中提取的特征，实现准确且实时的多光谱行人检测。具体而言，我们的方法以成对的已对齐可见光与红外图像及易于获取的边界框标注作为输入，并估计准确的预测图以突出行人的存在。相较于现有的基于锚框的多光谱检测方法，它具备两大优势。首先，它克服了基于锚框的检测器在训练阶段出现的超参数设置问题，并能获得更精确的检测结果，尤其针对小而遮挡的行人实例。其次，它能够利用小尺寸输入图像生成准确的检测结果，从而提升实时自动驾驶应用的计算效率。在 KAIST 多光谱数据集上的实验结果表明，我们所提方法在精度与速度上均优于当前最优方法。
引用
@article{arxiv.1902.05291,
title = {Box-level Segmentation Supervised Deep Neural Networks for Accurate and Real-time Multispectral Pedestrian Detection},
author = {Yanpeng Cao and Dayan Guan and Yulun Wu and Jiangxin Yang and Yanlong Cao and Michael Ying Yang},
journal= {arXiv preprint arXiv:1902.05291},
year = {2019}
}