基于混合通道的行人检测
计算机视觉与模式识别
2020-04-30 v2
摘要
在卷积神经网络（CNNs）的帮助下，行人检测取得了巨大进步。CNN 可从输入图像中学习高层特征，但 CNN 特征通道（特征图）的空间分辨率不足可能导致信息丢失，这对小实例尤其有害。本文中，我们提出一种新的行人检测框架，其扩展了成功的 RPN+BF 框架以结合手工特征和 CNN 特征。RoI-pooling 用于从手工通道（如 HOG+LUV、CheckerBoards 或 RotatedFilters）和 CNN 通道中提取特征。由于手工通道的空间分辨率总是高于 CNN 通道，我们对手工通道应用具有更大输出分辨率的 RoI-pooling 以保留更多细节信息。我们的消融实验表明，所开发的手工特征可达到比从 VGG-16 网络提取的 CNN 特征更好的检测精度，且通过结合二者可获得性能提升。在带有原始标注和改进标注的 Caltech 行人数据集上的实验结果证明了所提方法的有效性。当在我们的框架中使用更先进的 RPN 时，我们的方法可进一步提升并在两个基准上取得有竞争力的结果。
引用
@article{arxiv.1912.12431,
title = {Hybrid Channel Based Pedestrian Detection},
author = {Fiseha B. Tesema and Hong Wu and Mingjian Chen and Junpeng Lin and William Zhu and Kaizhu Huang},
journal= {arXiv preprint arXiv:1912.12431},
year = {2020}
}
备注
9 pages, 4 figures, Submitted to Neurocomputing, The 5th line of table 3 was accidentally mistaken. The data have been corrected and the related descriptions in section 4.4 have also be revised accordingly. Typos corrected, references corrected