解读行人检测文章(1)What Can Help Pedestrian Detection

这篇文章围绕回答这个问题展开:

what kind of extra features are effective and how they actually work to improve the CNN-based pedestrian detectors?

什么样的额外特征是有效的,以及实际上他们是怎么起作用,如何提升基于CNN的行人检测器。

 

针对行人检测两个问题:

1.相比于普通的物体检测,行人检测很难区分背景和人。 行人检测时,更多地依赖与语义信息。

低分辨率时,没有额外的上下文信息,很难区分是hard negative还是正样本。即使是人也很难区分

2.针对的第二个问题,就是人体框检测不准的问题,

 

在拥挤的人群时,这个问题更为严重,因此CNN在较深层时,往往得到的是high-level的语义信息,在人靠的比较近的时候,边缘信息通常模糊。

解决这个问题最直观的方法是,利用low-level的外观信息,比如边缘信息

 

KITTI数据集里面有大量的小目标,因此在网络结构上做出了调整,具体两个调整:

1.Anchor rate和anchor scale从3,3调整到5 scales and 7 ratios

2.Conv5被直接去除,为了保留高分辨率的特征

 

这篇文章对于不同额外特征的探讨很有意思,究竟哪些特征是有用的?它们又是如何起作用?

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值