IterDet：面向拥挤环境的迭代式目标检测方案
计算机视觉与模式识别
2021-02-01 v2
摘要
基于深度学习的检测器通常会产生冗余的目标边界框集合，其中包含对同一目标的多次重复检测。随后使用非极大值抑制（NMS）对这些边界框进行过滤，以便为每个感兴趣的目标精确选择一个边界框。这种贪心策略简单且对孤立目标具有足够的准确性，但在拥挤环境中常常失效，因为此时既需要保留不同目标的边界框，又需要抑制重复检测。在本研究中，我们开发了一种替代的迭代方案，在每次迭代中检测一个新的目标子集。将先前迭代中检测到的边界框在后续迭代中传递给网络，以确保同一目标不会被检测两次。这种迭代方案只需对训练和推理过程进行微小修改，即可应用于单阶段和两阶段目标检测器。我们在四个数据集上使用两种不同的基线检测器进行了大量实验，结果表明相较于基线有显著提升，在 CrowdHuman 和 WiderPerson 数据集上达到了 SOTA 性能。源代码和训练好的模型可在 https://github.com/saic-vul/iterdet 获取。
引用
@article{arxiv.2005.05708,
title = {IterDet: Iterative Scheme for Object Detection in Crowded Environments},
author = {Danila Rukhovich and Konstantin Sofiiuk and Danil Galeev and Olga Barinova and Anton Konushin},
journal= {arXiv preprint arXiv:2005.05708},
year = {2021}
}