Learning Multilayer Channel Features for Pedestrian Detection(MCF)

MCF多层通道特征

摘要：

传统方案是手工提取特征（hog+luv）+CNN 

MCF有更丰富的features，在Caltech数据集上有很好的表现。

使用更新更精细的图片注释方法，误检率能降到7.98%，前期去除没行人的图片能提升1.43倍的检测速度，给重叠的窗口打低分能提升4.07倍的检测速度。

介绍：

用CNN的行人检测方法主要分两个步骤：1.确定提取方案（传统方法）。2.用CNN进行分类（判别有行人和没行人）。

这种方法的提升空间包括：

1.以前的是使用SVM/softmax来对CNN中的最后一层的特征进行分类。但其实每层都是包含了图片不同的特征的。比如：前几层主要描述图片的局部变化，后几层是简要地描述了图片的整体结构。所以每层都能用于分类中使用。

2.传统的方法是使用hog+luv来生成候选方案，忽视了候选项的得分。

3.深度CNN在普通CPU上运行速度会很慢，CNN已经确定是很好的了，因此就需要提高CPU性能。-》GPU

MCF方法：

1.讲CNN中每一层都集成到多图层的图片通道中，hog+luv是第一层，剩下还有10层。CNN中的每个图层都分别对应于剩下的层。

2.每层生成一个很大数目的候选特征池。-》提供更多更丰富的特征

3.使用adaboost来效率区分对象和背景。这个分类器的每一级的弱分类器都是在相应的层来进行训练的。