用于遮挡行人检测的掩码引导注意力网络
计算机视觉与模式识别
2019-10-16 v2
摘要
基于深度卷积神经网络的行人检测已取得显著进展。尽管在标准行人上取得了令人鼓舞的结果，但在严重遮挡行人上的性能仍远不能令人满意。主要原因在于涉及其他行人的类内遮挡以及由汽车、自行车等其他物体引起的类间遮挡。这导致了大量遮挡模式。我们提出一种用于遮挡行人检测的方法，具有以下贡献。首先，我们引入一种新颖的掩码引导注意力网络，可自然地融入流行的行人检测流程。我们的注意力网络通过调制全身特征，强调可见行人区域同时抑制被遮挡区域。其次，我们通过经验证明，粗粒度分割标注为其稠密像素级对应标注提供了合理的近似。实验在CityPersons和Caltech数据集上进行。我们的方法在两个数据集上均确立了新的state-of-the-art。与CityPersons测试集严重遮挡(HO)行人集上报道的最佳结果相比，我们的方法在log-average miss rate上获得了9.5%的绝对提升。此外，在Caltech数据集的HO行人集上，与报道的最佳结果相比，我们的方法在log-average miss rate上实现了5.0%的绝对提升。代码和模型可在 https://github.com/Leotju/MGAN 获取。
引用
@article{arxiv.1910.06160,
title = {Mask-Guided Attention Network for Occluded Pedestrian Detection},
author = {Yanwei Pang and Jin Xie and Muhammad Haris Khan and Rao Muhammad Anwer and Fahad Shahbaz Khan and Ling Shao},
journal= {arXiv preprint arXiv:1910.06160},
year = {2019}
}
备注
Accepted at ICCV 2019