PSC-Net：学习部件空间共现以用于遮挡行人检测
计算机视觉与模式识别
2020-03-11 v2
摘要
检测行人，尤其在严重遮挡下，是一个具有众多现实应用且具挑战性的计算机视觉问题。本文提出一种称为PSC-Net的遮挡行人检测新方法。所提PSC-Net包含一个专用模块，旨在通过图卷积网络（GCN）显式捕获不同行人身体部件间的部件间与部件内共现信息。部件间与部件内共现信息均有助于改进特征表示，以应对从部分到严重不同程度的遮挡。我们的PSC-Net利用了行人的拓扑结构，且不需要基于部件的标注或额外的可见边界框（VBB）信息来学习部件空间共现。我们在两个具挑战性数据集CityPersons和Caltech上进行了全面实验。所提PSC-Net在两者上均达到最先进检测性能。在CityPersons测试集的严重遮挡（\textbf{HO}）子集上，我们的PSC-Net在相同骨干网络、输入尺度且不使用额外VBB监督下，相较最先进方法在对数平均漏检率上获得4.0%的绝对提升。此外，PSC-Net在Caltech（\textbf{HO}）测试集上将最先进水平从37.9改进至34.8（对数平均漏检率）。
引用
@article{arxiv.2001.09252,
title = {PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection},
author = {Jin Xie and Yanwei Pang and Hisham Cholakkal and Rao Muhammad Anwer and Fahad Shahbaz Khan and Ling Shao},
journal= {arXiv preprint arXiv:2001.09252},
year = {2020}
}