用于行人检测的多光谱深度神经网络
计算机视觉与模式识别
2016-11-09 v1
摘要
多光谱行人检测对于全天候应用（如监控和自动驾驶）至关重要。我们深入分析了用于多光谱行人检测任务的 Faster R-CNN，并将其建模为卷积网络（ConvNet）融合问题。此外，我们发现分别由彩色或热成像图像训练的基于 ConvNet 的行人检测器在区分人体实例时提供互补信息。因此，在深度神经网络（DNNs）中同时使用彩色和热成像图像来改善行人检测具有巨大潜力。我们精心设计了四种 ConvNet 融合架构，在不同 DNNs 阶段集成双分支 ConvNets，相较于基线检测器均取得更优性能。我们在 KAIST 行人基准上的实验结果表明，在中间层卷积特征上进行融合的半路融合（Halfway Fusion）模型比基线方法高出 11%，且漏检率比其他所提架构低 3.5%。
引用
@article{arxiv.1611.02644,
title = {Multispectral Deep Neural Networks for Pedestrian Detection},
author = {Jingjing Liu and Shaoting Zhang and Shu Wang and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:1611.02644},
year = {2016}
}
备注
13 pages, 8 figures, BMVC 2016 oral