行人检测
文章平均质量分 69
cv_family_z
这个作者很懒,什么都没留下…
展开
-
论文提要“Filtered Channel Features for Pedestrian Detection”
增加中间层,对底层特征使用滤波器组进行滤波,并使用boosted 决策树进行分类,可以提升行人检测率。最近比较好的人检测方法均在底层特征和分类器之间增加量中间层,如最大池化,滤波等。本文使用了滤波器组对图像进行卷积。文章提出的滤波器组框架如下图所示。仅使用HOG+LUV在Caltech和KITTI数据库上可获得最好的效果。 相关研究 最近的行人检测综述表明不同的分类器,如SVM和决策树,对检测结原创 2015-09-06 17:00:34 · 4125 阅读 · 0 评论 -
行人检测 Is Faster R-CNN Doing Well for Pedestrian Detection?
ECCV 2016本文主要是分析了一下Faster R-CNN用于行人检测效果不好的原因,并对比提出了解决方案。 Faster R-CNN用于行人检测效果不好的原因有两个: 1)行人在图像中的尺寸较小,(e.g., 28×70 for Caltech),对于小物体, Region-of-Interest (RoI) pooling layer 在 low-resolution feature原创 2016-09-01 10:44:19 · 9318 阅读 · 4 评论 -
How Far are We from Solving Pedestrian Detection?
CVPR 2016 我们离解决行人检测问题到底还有多远?How Far are We from Solving Pedestrian Detection? 项目网页:https://www.mpi-inf.mpg.de/departments/computer-vision-and-multimodal-computing/research/people-detection-pose-estim原创 2016-08-04 15:25:35 · 2857 阅读 · 0 评论 -
目标检测“Object Detection Using Generalization and Efficiency Balanced Co-occurrence Features”
ICCV15的文章,内容比较简单,但是boosting的方法,文章使用了Haar,HOG,LPB的共生特征,训练boosting时考虑了泛化和检测率平衡,让强特征在有高检测率的同时有好的推广性能。特征的描述比较简单,这里使用了灰度共生矩阵的描述方法,将特征用共生的方法描述,即: 形式如下图所示: 泛化和检测平衡 好的特征对应低的分类错误率,即: 使用共生特征,离得远的图像对有可能带来噪声,使原创 2016-02-24 11:17:17 · 2152 阅读 · 1 评论 -
Context-aware CNNs for person head detection
ICCV 2015 Matlab code available http://www.di.ens.fr/willow/research/headdetection/本文使用 CNN 进行 人头检测,包含三个子模型,结构示意图如下: Global model: 主要是给出一个多尺度热量图,越热的地方含有人头的概率越大。使用整幅图像的信息来定位物体,使用 CNN模型 Local model原创 2015-12-03 16:10:06 · 4080 阅读 · 0 评论 -
Real-Time Pedestrian Detection With Deep Network Cascades
BMVC 2015 实时行人检测 Cascades + CNN本文主要是参考文献【4】中采用 soft-cascade ,并结合不同复杂度的CNN网络得到即快又准的行人检测系统。在 Cascades 前面我们使用下面的小网络: 在 Cascades 后面我们使用下面的大网络: we employ the soft-cascade from Benenson et al. [4]原创 2015-11-25 11:12:04 · 2598 阅读 · 2 评论 -
Scale-aware Fast R-CNN for Pedestrian Detection
本文主要关注行人检测中的尺度问题。在图像中,离相机近的人尺寸大些,离相机远的人在图像中尺度小些。如下图所示:不同尺寸的人提取出的特征也不一样。以前大多数文献针对该问题只用一个模型来解决。本文提出了一个新的解决方案: 训练两个网络,一个对应大的尺寸,一个对应小的尺寸。 实验数据: 时间原创 2015-11-25 14:50:20 · 5934 阅读 · 3 评论 -
Learning Complexity-Aware Cascades for Deep Pedestrian Detection
ICCV 2015本文主要介绍了一种考虑计算复杂度的级联器用于检测行人,将CNN特征嵌入级联器中。3 Complexity-Aware Cascade Training 3.1. AdaBoost AdaBoost 由若干若分类器组成一个强分类器。3.2. Complexity-Aware Learning 将误差函数定义为两部分,classification accur原创 2015-11-23 15:12:40 · 2046 阅读 · 0 评论 -
Flowing ConvNets for Human Pose Estimation in Videos
ICCV 2015 code available http://www.robots.ox.ac.uk/~vgg/software/cnn_heatmap/本文主要用CNN网络来进行人体姿态估计,加入了temporal 信息以提高精度。 网络框架如下: 本文对于关节位置的估计提出了一个 heatmap概念,而不是一个坐标的回归。这样做可以提高关节定位的鲁棒性。Spatial fusion原创 2015-12-09 14:39:58 · 3891 阅读 · 0 评论 -
行人检测“Pedestrian detection at 100 frames per second”
文章使用的特征是ICF,并在训练阶段进行多尺度的模型训练,将检测时间转移到训练上进行提速。 ChnFtrs检测器 Dollar提出的ICF与DPM的效果可以媲美,ICF对滤波器响应进行简单的矩形加和,行人检测使用了6 quantized orientations, 1 gradient magnitude 和 3 LUV color channels,如下图所示: 使用矩形特征构建决策树,原创 2015-10-29 14:33:04 · 4795 阅读 · 0 评论 -
行人检测“Joint Deep Learning for Pedestrian Detection”
动机:行人检测中的特征提取,形变处理,遮挡处理和分类联合学习。深度网络可以将各部分放到不同的网络层并使用BP进行优化。相关工作: 用于行人检测的特征:Haar,HOG,SIFT,一阶颜色特征如颜色直方图,二阶颜色特征如CSS,co-occurence特征,纹理特征LBP,其他形式的特征包括协方差,深度图,分割结果,3D几何,深度学习局部最大或平均池化特征。这些特征没有考虑行人的形变特征。 处理形原创 2015-11-06 14:24:04 · 2906 阅读 · 0 评论 -
行人检测“Pedestrian Detection with Unsupervised Multi-Stage Feature Learning”
主要思想: 1.结合多步的全局特征及局部特征用来分类 2.使用卷积稀疏编预训练滤波器现有的方法: 手动提取特征,如ICF,HOG及其变形和组合,使用可训练的分类器如SVM,boosted classifier或随机森林分类。 深层网络非监督预训练方法,包括RBM,stacked auto-encoders,stacked sparse auto-encoders. 非监督学习可以用来训练深原创 2015-10-20 14:22:08 · 2350 阅读 · 0 评论 -
行人检测-Pedestrian Detection Inspired by Appearance Constancy and Shape Symmetry
CVPR 2016 关于行人检测的文献 手工设计特征,然后训练分类器进行行人检测。3 Our methods 3.1. Appearance constancy and shape symmetry这里提出了两个关于行人的特点 Appearance constancy 在水平方向,人体内的纹理基本相似,与背景有一定差异。 shape symmetry 人体在水平方向具有一定的对称性原创 2016-08-19 14:14:51 · 2142 阅读 · 0 评论