推进深度CNN在行人检测中的极限
计算机视觉与模式识别
2016-06-07 v2
摘要
与其他计算机视觉应用相比，卷积神经网络（CNN）在行人检测上表现欠佳。最近通过使用复杂的深度CNN模型、若干手工设计特征或显式的遮挡处理机制取得了突破。在本工作中，我们表明，通过复用深度卷积神经网络（DCNN）模型的卷积特征图（CFMs）作为图像特征来训练一个提升决策模型集成，我们能够在不使用专门设计的学习算法的情况下达到已报道的最佳精度。我们通过实验确定并披露了重要的实现细节。我们还表明像素标注可以简单地与检测器结合以提升检测性能。通过添加补充性的手工设计特征（如光流），基于DCNN的检测器可进一步改进。我们在Caltech行人数据集上创下了新纪录，将对数平均漏检率从降至，相对改进。我们在KITTI数据集上也取得了与最先进方法相当的结果。
引用
@article{arxiv.1603.04525,
title = {Pushing the Limits of Deep CNNs for Pedestrian Detection},
author = {Qichang Hu and Peng Wang and Chunhua Shen and Anton van den Hengel and Fatih Porikli},
journal= {arXiv preprint arXiv:1603.04525},
year = {2016}
}
备注
Fixed some typos