xiaofei0801的博客

1. Introduction      近年来，对象检测受到了极大关注。行人检测是一个规范的子问题，由于其多样的应用，仍然是研究的热门话题。      尽管对行人检测进行了广泛的研究，最近的文章仍然显示出显著的改进，表明尚未达到饱和点。在本文中我们分析了state-of-the-art与新创建的human baseline之间的差距（第3.1节）。结果表明，在达到人类表现之前，仍然需要有

1. Introduction      近年来，计算机视觉领域涉及卷积神经网络（convnets）的成功案例爆炸式增长。这种架构目前提供了通用物体分类[25,36]，通用物体检测[40]，特征匹配[16]，立体匹配[45]，场景识别[48,8]，姿态估计[41,7] ，行为识别[23,38]和许多其他任务[35,3]的最好结果。行人检测是汽车安全，视频监控和机器人等相关应用中物体检测的典型案

1.Introduction       行人检测是计算机视觉中的一个重要问题。其许多应用，例如智能车或监控，需要实时检测。由于在流行的滑动窗口准则下，640×480像素的图像有近百万个窗口，检测复杂度很容易变得难以处理。这是在行人检测领域部署复杂分类器（如深度学习模型）的障碍。用于实时物体检测的最流行的架构是[32]的检测器级联。它利用了大多数图像块可以通过几个简单级联阶段的评估，可以被分配

1.引言行人检测在视频监控，个人识别，图像检索和驾驶辅助系统（ADAS）等多个领域有应用。实时准确的行人检测是应用这种系统的关键。行人检测算法旨在实时绘制 描绘图像中行人位置的 边界框。然而，由于精度和速度之间的折中，这是很难实现的[8]。低分辨率输入通常会导致快速的物体检测，但性能较差，可以通过牺牲处理速度为代价的高分辨率输入来获得更好的物体检测性能。（不懂）其他因素如密集场景，非人遮挡物体

1.Introduction     行人检测旨在预测图像中所有行人实例的bounding box。近年来，它已经引起了计算机视觉界的广泛关注[5]，[38]，[40]，[7]，[46]，[6]，[45]，[10]，[21]，作为许多以人为中心的应用的重要组成部分，如无人驾驶汽车，人员重新识别，视频监控和机器人技术[20]，[39]。     最近，很多研究工作[35]，[46]，[24]

Abstract       在本文中，我们评估了使用R-CNN方法对行人检测问题的有效性。我们的数据集由ETH视觉实验室的手工注释的视频序列组成。使用selective search作为我们的提案方法，我们评估几个神经网络架构的性能以及基准逻辑回归单元。我们发现最好的结果是在使用在ImageNet上预训练的权重的AlexNet架构与从头开始训练的这个网络的变体之间进行了分割。1 In

Abatract       我们提出一种新的实时对象检测方法，利用深层神经网络的精度和级联分类器的效率。       深层网络已被证明在分类任务方面表现优异，而且无需设计特殊的特征，他们在原始像素输入上的操作能力是非常有吸引力。然而，在inference时间，深层网络的声誉是非常低的。       在本文中，我们提出了一种将深度网络和快速特征级联的方法，既快速又准确。我们将其应用于具

Abstract       本文提出了一种在不利照明条件下检测行人的新方法。 我们的方法依赖于一种新型的跨模态学习框架，它基于两个主要阶段。 首先，给出一个多模态数据集，采用深度卷积网络学习非线性映射，对RGB和热图之间的关系进行建模。 然后，所学习的特征表示被迁移到第二个深度网络，其接收RGB图像作为输入，并输出检测结果。 以这种方式，学习到了对不良照明条件具有判别性和鲁棒性的特征。

1. Introduction       行人检测是汽车自动驾驶安全，机器人和智能视频监控的关键技术。它吸引了大量的研究兴趣[2，5，12，47，8]。这个任务的主要挑战是 由行人的服装，光照，背景，关节和遮挡等类内变化引起的。       为了解决这些挑战，一组相互依赖的组件是很重要的。首先，特征应该捕捉行人的最具判别性的信息。众所周知的特征如Haar-like特征[49]，SIF

1 Introduction       近年来，行人检测问题得到了深入的研究。在最近基于深层卷积神经网络（DCNNs）的方法[1,2]出现之前，最高性能的行人检测器是boosted decision forests和精心手工制作的特征，例如histogram of gradients(HOG) [3], self-similarity (SS) [4], aggregate channel