基于显著性与边界框对齐的部件级卷积神经网络行人检测
计算机视觉与模式识别
2018-10-02 v1
摘要
视频中的行人具有广泛的表观变化，如身体姿态、遮挡和复杂背景，并且行人检测中存在提议偏移问题，导致头部和腿部等身体部件丢失。为此，本文提出使用显著性与边界框对齐的部件级卷积神经网络（CNN）用于行人检测。所提网络由两个子网络组成：检测与对齐。我们在检测子网络中使用显著性以去除灯柱和树木等误检。我们在对齐子网络中对检测提议采用边界框对齐以解决提议偏移问题。首先，我们结合 FCN 与 CAM 提取用于行人检测的深度特征。然后，我们执行部件级 CNN 以召回丢失的身体部件。在多个数据集上的实验结果表明，所提方法显著提升了行人检测精度，并在每图误检数（FPPI）对应的对数平均漏检率上优于现有最优方法。
引用
@article{arxiv.1810.00689,
title = {Part-Level Convolutional Neural Networks for Pedestrian Detection Using Saliency and Boundary Box Alignment},
author = {Inyong Yun and Cheolkon Jung and Xinran Wang and Alfred O Hero and Joongkyu Kim},
journal= {arXiv preprint arXiv:1810.00689},
year = {2018}
}
备注
9 pages, 10 figures