High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection

最新推荐文章于 2025-02-20 10:14:21 发布
最新推荐文章于 2025-02-20 10:14:21 发布
阅读量1.5k 收藏 7
点赞数 1
CC 4.0 BY-SA版权
分类专栏： computer version deep-learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u012435142/article/details/91352548
本文提出了一种新的行人检测方法——Center and Scale Prediction (CSP) detector，将目标检测视为高级语义特征检测任务，避免了配置anchor boxes的繁琐过程。CSP网络结构基于Resnet或MobileNet，通过融合不同阶段的特征，预测物体中心和尺度。通过heatmap和offset预测修正边界框，采用Gaussian mask和Focal loss进行训练。在Caltech和Citypersons数据集上的实验显示了其有效性和精度。

High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection

Wei Liu · Shengcai Liao · Irtiza Hasan

paper: http://arxiv.org/abs/1904.02948

code: https://github.com/liuwei16/CSP

非官方pytorch实现: https://github.com/lw396285v/CSP-pedestrian-detection-in-pytorch

问题背景：

目标检测需要乏味的配置anchor boxes,本文提出了一种新的思路：目标检测被视为高级语义特征检测任务。

目标检测被简化为一个通过卷积直接预测物体中心和尺度的任务。

将提出的方法称为：Center and Scale Prediction(CSP) based detector

网络结构：

在这里插入图片描述

最近涌现了很多Anchor free的目标检测方法，这篇论文实际上应该属于Box free，类似与CornerNet，不再预测边界框的四个参数x,y,w,h.

最低0.47元/天 解锁文章

新学期VIP享超值加赠
【学习笔记】High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection/CSP
南瓜灯先生的博客
04-13 5842
论文地址：https://arxiv.org/abs/1904.02948v1 代码地址：https://github.com/liuwei16/CSP 1、概述 传统的目标检测大多基于滑动窗体或者先验框方式，而无论哪个方法都需要繁杂的配置。本文中所介绍的检测器（CSP--Center and Scale Prediction），以行人检测为例，提出了一个高级语义特征检测的...
Object Detection(目标检测神文)(二)
Mars_WH的专栏
03-22 1万+
文章目录[CVPR2019] Region Proposal by Guided Anchoring[CVPR2019] Feature Selective Anchor-Free Module for Single-Shot Object Detection [CVPR2019] Region Proposal by Guided Anchoring intro: CUHK - SenseTi...
论文阅读 之 High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection
qq_39220334的博客
03-21 3362
本篇论文是发表在 CVPR_2019 上的一篇工作，提出了一个关于行人检测的新思路。 论文链接：https://openaccess.thecvf.com/content_CVPR_2019/papers/Liu_High-Level_Semantic_Feature_Detection_A_New_Perspective_for_Pedestrian_Detection_CVPR_2019_paper.pdf 代码链接：https://github.com/liuwei16/CSP 1. 动机 现有的
【行人检测】High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection/CSP
zhw864680355的博客
05-10 1484
论文：《High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection/CSP》 CVPR2019 论文地址：https://arxiv.org/abs/1904.02948v1 代码：https://github.com/liuwei16/CSP 非官方pytorch实现：https://github.com/lw396285v/CSP-pedestrian-detection-in-pytorch.
Paper Reading: High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection
外婆家的大灰狼
08-22 514
Paper Reading Note URL: https://arxiv.org/pdf/1904.02948v1.pdf TL;DR 本篇文章采用anchor-free的方法解决目标检测的问题。 作者认为可以用中心点和尺度这种high-level语义特征代替边缘、blob等low-level语义特征。 Algorithm 模型框架如下： 该算法主要分为Feature Extraction模块...
Python-高级语义特征检测行人检测的新视角
08-12
高级语义特征（High-level Semantic Features）是指在深度学习模型中经过多层抽象后，能够捕捉到图像中的概念性信息，如形状、颜色、纹理和物体类别等。在传统的计算机视觉方法中，行人检测通常依赖低级特征，如边缘...
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
github High-level Semantic Feature Detection:A New Perspective for Pedestrian Detection
qq_35665378的博客
06-04 404
工程地址https://github.com/liuwei16/CSP 问题记录：
Pedestrain Detection
weixin_33884611的博客
01-20 163
PAMI2012相关 http://blog.csdn.net/hk121/article/details/72676341 转载于:https://www.cnblogs.com/ya-cpp/p/8321623.html
Deformable DETR源码——超详细图解
weixin_43507865的博客
03-22 5709
网上也有很多大佬讲deformable DETR 的原理和源码，但是我觉得纸上得来终觉浅，还是要自己一行代码一行代码地 debug，才能理解得更加透彻。于是有了这篇博客，方便自己后续复习。
多尺度特征融合太好出论文了！轻轻松松登Nature
最新发布
d22800的博客
02-20 1115
多尺度特征融合是一种在计算机视觉领域广泛应用的技术，其核心思想是将不同尺度的特征图进行融合，以提高模型对目标的检测、分割或识别能力。今天就多尺度特征融合整理出了论文+开源代码，以下是精选部分论文 更多论文料可以关注：AI科技探寻，发送：111 领取更多[论文+开源码】 论文解读：多级特征融合（HS-FPN）：设计了高阶筛选特征融合金字塔（HS-FPN），通过通道注意力模块利用高层特征作为权重筛选低层特征信息，并将其与高层特征合并，增强模型的特征表达能力。可变形自注意力机制：在编码器中引入多尺度可变形自
论文阅读笔记（7）——《Improved Neural Relation Detection for Knowledge Base Question Answering》
strivequeen的博客
01-17 575
Abstract1 Introduction2 Related WorkRelation ExtractionRelation Detection in KBQA Systems3 Background: Different Granularity in KB Relations(1) Relation Name as a Single Token (relation-level)(2) Relation as Word Sequence (word-level)4 Improved KB Relatio.
论文阅读笔记《Semantic Feature Augmentation in Few-shot Learning》
深视
06-12 3381
核心思想   本文提出利用语义信息对数据进行扩充的方法，来解决小样本学习问题。之前采用数据增强或者说数据集扩充方式的小样本学习算法，通常都是在图像级别或者说特征空间里进行扩充，但本文利用编码TriNet将特征空间映射到语义空间中，并在此进行数据增强，然后利用解码TriNet将扩充后的语义信息还原到特征空间，再进行分类。整个算法的流程如下图所示   首先，输入图像IiI_iIi​会经过一个采用ResNet-18结构的特征提取网络fΩf_{\Omega}fΩ​，该特征提取网络包含四个残差块，输出的特征图为fl
高斯衰减方案汇总
u010454261的博客
11-04 927
3篇检测方法的文章中均包含高斯衰减相关的内容，记录一下，有问题再来看。 CSP论文: GitHub - liuwei16/CSP: High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection, CVPR, 2019High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection, CVPR, 2019 -
论文提要“Pedestrian Detection aided by Deep Learning Semantic Tasks”
cv_family_z的博客
08-03 2829
对于行人检测，以往的深度学习将其作为二值分类问题，这样易与困难的负样本混淆。本文将行人检测细分为行人属性（背部，性别和视角）和场景属性（车辆，树木等），目标是在高层特征空间分离或聚合相似的属性结构，如图2（c）所示。 为了避免大量负样本的标记，作者使用了数据库背景场景分割的结果。提出TACNN使用多种数据库学习多类问题。不同数据的背景B数据分布不同，作者transfer了两类场景属性，包括共享的属
深度学习目标检测技术的综述笔记
m0_52471565的博客
11-24 574
基于深度学习的目标检测技术的研究综述-阅读笔记 文章目录一、传统目标检测：流程:常用传统目标检测方法：二、深度学习目标检测三、“双阶段”目标检测算法1 “Rich feature hierarchies for object detection and semantic segmentation”-20142 “Spatial pyramid pooling in deep convolutional networks for visual recognition”-20143 “Fast R-CNN”-
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
【今日CV 计算机视觉论文速览 第96期】 8 Apr 2019
TomRen
04-09 2005
第96期 视觉论文速览 去除水印 任务驱动的目标检测COCOTASK 去雾数据集 6D RGBD数据集 分割 膨胀卷积
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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