论深度神经网络行人检测评估的再思考
计算机视觉与模式识别
2026-02-05 v2 机器学习
摘要
可靠的行人检测代表了实现自动驾驶系统的关键步骤。然而，当前的性能基准存在薄弱环节。针对验证数据集中不同子集所应用的度量标准，阻碍了对深度神经网络(DNN)进行行人检测真实绩效评估。由于图像分割提供街道场景的细粒度信息，可作为自动区分行人检测不同错误类型的起点。本文提出了八种行人检测错误类别，并提出了沿这些错误类别进行绩效比较的新度量标准。我们使用新度量标准比较了各种主干网络，以简化版APD为例，展示了一种更细粒度且更稳健的模型间比较方式，尤其在安全关键性能方面。我们通过采用相对简单的架构，在CityPersons-reasonable上实现了SOTA（无需额外训练数据）。
引用
@article{arxiv.2511.10308,
title = {Revisiting the Evaluation of Deep Neural Networks for Pedestrian Detection},
author = {Patrick Feifel and Benedikt Franke and Frank Bonarens and Frank Köster and Arne Raulf and Friedhelm Schwenker},
journal= {arXiv preprint arXiv:2511.10308},
year = {2026}
}