面向拥挤场景多目标检测的成对关系学习
计算机视觉与模式识别
2019-01-15 v1
摘要
作为目标检测的后处理步骤，非极大值抑制（GreedyNMS）多年来被广泛应用于大多数检测器中。它在稀疏场景中高效且准确，但在拥挤场景中面临精度与召回率之间不可避免的权衡。为克服这一缺陷，我们提出 Pairwise-NMS 来修正 GreedyNMS。具体而言，学习一个基于深度学习的成对关系网络来预测两个重叠的候选框是否包含两个不同的目标或零个/一个目标，从而能有效处理多个重叠目标。通过与 GreedyNMS 巧妙结合且不损失效率，在包含 MOT15、TUD-Crossing 和 PETS 的严重遮挡数据集上取得了持续的改进。此外，Pairwise-NMS 可集成到任何基于学习的检测器中（本文测试了 Faster-RCNN 和 DPM 检测器），从而在 GreedyNMS 与端到端学习检测器之间架起桥梁。
引用
@article{arxiv.1901.03796,
title = {Learning Pairwise Relationship for Multi-object Detection in Crowded Scenes},
author = {Yu Liu and Lingqiao Liu and Hamid Rezatofighi and Thanh-Toan Do and Qinfeng Shi and Ian Reid},
journal= {arXiv preprint arXiv:1901.03796},
year = {2019}
}
备注
12 pages