本文介绍了DPM检测算法的加速方法，包括级联检测、特征降维、FFT加速、奇异值分解优化以及向量量化策略。论文如CVPR 2010的级联检测法通过阈值判断减少计算，ECCV 2012的FFT加速实现模型与HOG特征卷积，CVPR 2014的低秩根模型降低计算复杂度，ECCV 2014的多尺度模型、向量量化和优先队列策略，以及PAMI 2014的快速特征金字塔构建技术。这些方法旨在提高DPM检测的效率。
DPM作为一种能力较强的物体检测算法，在发表后一直受到持续关注。顶级会议上一直还有论文阐述如何对DPM检测进行加速。其中比较有代表性的包括：
[1] CVPR 2010：Cascade Object Detection with Deformable Part Models
DPM作者的论文，论文中提到了两种降低检测复杂度的方法。第一种是级联检测法，是否存在待检测物体的衡量标准，是某个根模型与部分模型和位置组合，与相应的HOG特征的内积之和大于某个阈值。事实上，如果某些根模型与部分模型的位置组合，在仅仅计算其中几个模型与HOG特征的内积后，如果这些内积之和太小，就说明这些位置组合不可能存在待检测物体，因此可以设置一系列阈值，在不停的计算各模型与HOG特征内积并求和的过程中，判断当前内积之和与对应的阈值的关系，只有内积之和大于阈值才继续往下计算。第二种是特征降维，31维的HOG特征在内积计算时还是显得耗时，通过PCA使得31维的特征进一步降低至5维，能够使得内积运算消耗的时间大大降低。
[2] ECCV 2012：Exact Acceleration of Linear Object Detectors
一个EPFL的博士写的论文，主要采用FFT实现模型与HOG特征的卷积计算的加速。最可贵的是作者提供了纯C++的源代码，
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
