用于拥挤场景人体检测的双锚R-CNN
计算机视觉与模式识别
2019-09-24 v1
摘要
由于遮挡模式的不确定性，在拥挤人群中检测人体是一个具有挑战性的问题。本文中，我们提出通过利用头部部分来处理人体检测中的人群遮挡问题。我们开发了双锚RPN以成对捕获身体与头部部分。引入一种候选框交叉策略，为两部分生成高质量候选框作为训练增强。随后高效地聚合耦合候选框的特征以利用内在关系。最后，开发了联合NMS模块用于鲁棒的后处理。所提出的框架称为双锚R-CNN，能够在拥挤场景下同时检测每个人的身体与头部。在具有挑战性的人体检测数据集上报告了SOTA结果。我们的模型在CrowdHuman上取得51.79pp的对数平均漏检率（MR），在COCOPersons~(拥挤子数据集)上取得55.01pp，在CrowdPose~(拥挤子数据集)上取得40.02pp，分别优于先前基线检测器3.57pp、3.82pp和4.24pp。我们希望这一简单有效的方法能作为坚实基线，并有助于简化未来在拥挤人体检测方面的研究。
引用
@article{arxiv.1909.09998,
title = {Double Anchor R-CNN for Human Detection in a Crowd},
author = {Kevin Zhang and Feng Xiong and Peize Sun and Li Hu and Boxun Li and Gang Yu},
journal= {arXiv preprint arXiv:1909.09998},
year = {2019}
}