探索多分支与高层语义网络以改进行人检测
计算机视觉与模式识别
2018-04-04 v1
摘要
为了更好地检测不同尺度的行人，深度多尺度方法通常通过网络内不同层检测不同尺度的行人。然而，来自不同层的特征的语义级别通常不一致。在本文中，我们通过将基础网络逐渐拆分为多个不同分支，提出了一种多分支高层语义网络。结果，不同分支具有相同的深度，且不同分支的输出特征具有相似的高层语义。由于感受野的差异，不同分支适合检测不同尺度的行人。同时，多分支网络通过共享不同分支的卷积权重而不引入额外参数。为了进一步提高检测性能，在不同分支之间使用跳跃连接为感受野相对较小的分支添加上下文，并在部分分支中融入空洞卷积以扩大输出特征图的分辨率。当嵌入到Faster RCNN架构中时，进一步提出了候选生成网络和候选分类网络的加权分数。在KITTI数据集、Caltech行人数据集和Citypersons数据集上的实验证明了所提出方法的有效性。在这些行人数据集上，所提出的方法达到了最先进的检测性能。此外，在COCO基准上的实验表明，所提出的方法也适用于通用目标检测。
引用
@article{arxiv.1804.00872,
title = {Exploring Multi-Branch and High-Level Semantic Networks for Improving Pedestrian Detection},
author = {Jiale Cao and Yanwei Pang and Xuelong Li},
journal= {arXiv preprint arXiv:1804.00872},
year = {2018}
}
备注
10 pages