基于深度学习的智能城市远距离行人检测
计算机视觉与模式识别
2019-05-17 v4 机器学习
摘要
生成对抗网络（GAN）因其在训练和测试数据增强方面的强大能力，在许多计算机视觉问题中展现出良好前景。在本文中，我们利用 GAN 提出了一种带有级联单发多框检测器（SSD）的新架构，用于远距离行人检测，由于远距离视频中行人尺寸多变，这仍是一项挑战。为克服远距离行人检测中的低分辨率问题，首先采用 DCGAN 提升分辨率，以重建更具判别性的特征供 SSD 检测图像或视频中的物体。我们方法的一个关键优势是，它学习一种多尺度度量，在单幅图像下区分不同距离处的多个物体，而 DCGAN 作为编码器-解码器平台生成图像中包含更好判别信息的部分。为衡量所提方法的有效性，我们在加拿大高等研究院（CIFAR）数据集上进行了实验，结果表明所提新架构实现了明显更好的检测率，尤其在远距离车辆和行人上，使其非常适用于需要发现远距离关键物体或行人的智能城市应用。
引用
@article{arxiv.1812.00876,
title = {Deep Learning based Pedestrian Detection at Distance in Smart Cities},
author = {Ranjith K Dinakaran and Philip Easom and Ahmed Bouridane and Li Zhang and Richard Jiang and Fozia Mehboob and Abdul Rauf},
journal= {arXiv preprint arXiv:1812.00876},
year = {2019}
}
备注
Artificial Intelligence Conference 2019 | IntelliSys 2019 | https://saiconference.com/IntelliSys