DAVE：用于快速车辆检测与标注的统一框架
计算机视觉与模式识别
2016-08-02 v3
摘要
针对具有复杂场景的流媒体视频数据进行车辆检测和标注，是城市交通监控中一项有趣但具有挑战性的任务。在本文中，我们提出了一个快速的车辆检测与标注框架（DAVE），它有效地结合了车辆检测和属性标注。DAVE 由两个卷积神经网络（CNN）组成：一个用于提取类车目标的快速车辆候选网络（FVPN），以及一个旨在验证每个候选框并同时推断每辆车辆姿态、颜色和类型的属性学习网络（ALN）。这两个网络被联合优化，从而可以利用从 ALN 学到的丰富潜在知识来指导 FVPN 的训练。系统一旦训练完成，即可实现对真实世界交通监控数据的高效车辆检测与标注。我们在一个新收集的 UTS 数据集以及公开的 PASCAL VOC2007 汽车数据集和 LISA 2010 数据集上对 DAVE 进行了评估，相比现有算法取得了持续的改进。
引用
@article{arxiv.1607.04564,
title = {DAVE: A Unified Framework for Fast Vehicle Detection and Annotation},
author = {Yi Zhou and Li Liu and Ling Shao and Matt Mellor},
journal= {arXiv preprint arXiv:1607.04564},
year = {2016}
}
备注
This paper has been accepted by ECCV 2016