面向遮挡行人检测的特征校准网络
计算机视觉与模式识别
2022-12-13 v1
摘要
野外行人检测仍是一项具挑战性的问题，尤其对于包含严重遮挡的场景。本文中，我们在深度学习框架下提出一种新颖的特征学习方法，称为特征校准网络（FC-Net），以自适应检测各种遮挡下的行人。FC-Net 基于如下观察：行人的可见部分对检测具有选择性与决定性，其实现为一个具自激活（SA）模块与特征校准（FC）模块的自步特征学习框架。以一种新型自激活方式，FC-Net 学习突出行人可见部分并抑制遮挡部分的特征。SA 模块通过复用分类器权重估计行人激活图，不涉及任何额外参数，从而得到一个极精简的模型以增强特征语义；而 FC 模块以像素级与基于区域的方式校准卷积特征，实现自适应行人表征。在 CityPersons 与 Caltech 数据集上的实验表明，FC-Net 在遮挡行人上提升检测性能达 10%，同时在非遮挡实例上保持优异性能。
引用
@article{arxiv.2212.05717,
title = {Feature Calibration Network for Occluded Pedestrian Detection},
author = {Tianliang Zhang and Qixiang Ye and Baochang Zhang and Jianzhuang Liu and Xiaopeng Zhang and Qi Tian},
journal= {arXiv preprint arXiv:2212.05717},
year = {2022}
}
备注
Accepted by IEEE Transactions on Intelligent Transportation Systems (TITS)