DINF：用于遮挡行人检测的动态实例噪声滤波器

遮挡问题是行人检测中的最大挑战。基于RCNN的检测器通过在特征图中裁剪矩形感兴趣区域来提取实例特征。然而，被遮挡对象的可见像素有限，使得矩形实例特征混合了大量与实例无关的噪声信息。此外，通过统计CrowdHuman数据集中不同重叠程度的实例数量，我们发现严重重叠对象与轻微重叠对象的数量不平衡，这可能加剧遮挡问题带来的挑战。针对噪声问题，从去噪的角度出发，我们为基于RCNN的行人检测器提出了一种可迭代的动态实例噪声滤波器（DINF），以提高实例特征的信噪比。模拟小波去噪过程，我们使用实例特征向量生成动态卷积核，将RoI特征变换到一个域，在该域中接近零的值代表噪声信息。然后，应用具有通道自适应阈值的软阈值化，将接近零的值转换为零，以滤除噪声信息。针对不平衡问题，我们提出了一个IoU-Focal因子（IFF），用于在训练过程中调节回归良好和回归不佳的边界框对损失的贡献，从而更多地关注少数严重重叠的对象。在CrowdHuman和CityPersons数据集上进行的大量实验表明，我们的方法可以帮助基于RCNN的行人检测器达到最先进的性能。