利用稠密池化改进人员类别检测
计算机视觉与模式识别
2024-10-29 v1 人工智能
摘要
近来，计算机视觉领域众多研究者对深度学习模型的持续发展吸引了更多研究者进一步提高这些模型的准确性。FasterRCNN [32] 已经提供了一种最先进的方法，用于提高对 COCO 数据集中给出的 80 种不同物体的准确性和检测能力。为了进一步提高人员检测的性能，我们采用了一种不同的方法，并得出了最先进的结论。ROI 是 FasterRCNN 中的一个步骤，它从给定图像中以固定尺寸提取特征，并转换用于进一步分类。为了增强 ROI 的性能，我们采用了一种实现稠密池化的方法，并将图像转换为 3D 模型，进一步转换为 UV（紫外线）图像，这使得从图像中提取正确特征变得容易。为了实现我们的方法，我们使用了最先进的 COCO 数据集，并提取了 6982 张包含人员对象的图像，我们的最终成果表明，使用我们的方法在检测给定图像中的人员对象方面取得了显著成果。
引用
@article{arxiv.2410.20966,
title = {Improving Detection of Person Class Using Dense Pooling},
author = {Nouman Ahmad},
journal= {arXiv preprint arXiv:2410.20966},
year = {2024}
}