学习用于鲁棒行人检测的跨模态深度表示
计算机视觉与模式识别
2018-01-03 v2
摘要
本文提出一种在恶劣光照条件下检测行人的新方法。我们的方法依赖于一种新颖的跨模态学习框架，并基于两个主要阶段。首先，给定一个多模态数据集，采用深度卷积网络学习非线性映射，建模RGB与热红外数据之间的关系。然后，将学习到的特征表示迁移到第二个深度网络，该网络以RGB图像作为输入并输出检测结果。通过这种方式，学习到既具有判别性又对不良光照条件鲁棒的特征。重要的是，在测试时仅考虑第二个流水线，且不需要热红外数据。我们大量的评估表明，所提方法在具有挑战性的KAIST多光谱行人数据集上优于state-of-the-art，并在流行的Caltech数据集上与先前方法具有竞争力。
引用
@article{arxiv.1704.02431,
title = {Learning Cross-Modal Deep Representations for Robust Pedestrian Detection},
author = {Dan Xu and Wanli Ouyang and Elisa Ricci and Xiaogang Wang and Nicu Sebe},
journal= {arXiv preprint arXiv:1704.02431},
year = {2018}
}
备注
Accepted at CVPR 2017