学习分离：城市场景中严重遮挡物体的检测
计算机视觉与模式识别
2020-07-21 v3
摘要
尽管基于深度学习的视觉物体检测在过去十年备受关注，但严重类内遮挡出现的情况尚未被深入研究。本工作中，我们提出一种非极大值抑制（NMS）算法，在严重遮挡场景中显著提升了检测召回率，同时保持高精度。我们的 NMS 算法源于一种新颖的嵌入机制，其中检测框的语义与几何特征被联合利用。该嵌入使得判断两个高度重叠的框是否属于物理世界中同一物体成为可能。我们的方法对城市场景中常发生遮挡的车辆检测与行人检测尤为有用。我们通过构建名为 SG-Det（Semantics and Geometry Detection 的缩写）的模型，并在两个广泛采用的数据集 KITTI 和 CityPersons 上测试 SG-Det，证明了方法的有效性，其在这两个数据集上均取得了最先进的性能。
引用
@article{arxiv.1912.01674,
title = {Learning to Separate: Detecting Heavily-Occluded Objects in Urban Scenes},
author = {Chenhongyi Yang and Vitaly Ablavsky and Kaihong Wang and Qi Feng and Margrit Betke},
journal= {arXiv preprint arXiv:1912.01674},
year = {2020}
}
备注
ECCV 2020