PedHunter：拥挤场景中鲁棒抗遮挡的行人检测器
计算机视觉与模式识别
2019-09-17 v1
摘要
拥挤场景中的行人检测是一个具有挑战性的问题，因为不同行人之间频繁发生遮挡。本文中，我们提出一种有效且高效的检测网络以在拥挤场景中搜寻行人。所提方法称为 PedHunter，在不带来推理阶段额外计算量的前提下，为现有的基于区域的检测网络引入了强遮挡处理能力。具体而言，我们设计了一个掩码引导模块，利用头部信息增强骨干网络的特征表示学习。此外，我们通过改善训练过程中正样本的质量来制定严格的分类准则，以消除拥挤场景中行人检测常见的误检。另外，我们提出了一种遮挡模拟数据增强，以丰富遮挡样本的模式与数量，从而提升遮挡鲁棒性。因此，我们在包括 CityPersons、Caltech-USA 和 CrowdHuman 在内的三个行人检测数据集上取得了最先进的结果。为促进对监控场景中遮挡行人检测的进一步研究，我们发布了一个新的行人数据集，称为 SUR-PED，包含 10k 张图像中总计超过 162k 的高质量人工标注实例。所提数据集、源代码及训练好的模型将会公开。
引用
@article{arxiv.1909.06826,
title = {PedHunter: Occlusion Robust Pedestrian Detector in Crowded Scenes},
author = {Cheng Chi and Shifeng Zhang and Junliang Xing and Zhen Lei and Stan Z. Li and Xudong Zou},
journal= {arXiv preprint arXiv:1909.06826},
year = {2019}
}