Scale-aware Fast R-CNN for Pedestrian Detection

最新推荐文章于 2023-07-25 10:06:43 发布
最新推荐文章于 2023-07-25 10:06:43 发布
阅读量5.9k 收藏 2
点赞数 1
分类专栏： 行人检测 ZJ 文章标签： 行人检测
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.csdn.net/cv_family_z/article/details/50037039
版权

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：

这里写图片描述

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:

这里写图片描述
这里写图片描述

训练两个网络，一个对应大的尺寸，一个对应小的尺寸。
这里写图片描述
这里写图片描述
候选区域是通过 ACF 算法提取的。根据候选区域的高度来确定大小网络的权重。

实验数据：
这里写图片描述
这里写图片描述
这里写图片描述

时间
这里写图片描述

cv_family_z
关注
专栏目录
Scale-aware Fast R-CNN for Pedestrian Detection（2015）
xiaofei0801的博客
06-01 3222
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]
[Paper Reading] Attention to Scale: Scale-aware Semantic Image Segmentation
C_row的博客
08-02 2173
Background: Multi-scale features对性能的提升是非常大的。做Multi-scale一般是两个思路：skip-net和share-net
【论文笔记】：Scale-Aware Trident Networks for Object Detection（TridentNet）
Activewaste
07-16 843
&Title: Scale-Aware Trident Networks for Object Detection &Summary 检测任务中存在目标尺寸多样化的问题，为了解决这一问题，作者采用的做法如下： 为了使模型对不同尺寸目标的“表达能力”近似，作者借鉴了SNIP的特征提取网络，采用了“scale-aware”的并行结构； 为了加快模型的推理速度，作者采用了dilated...
论文阅读：Attention to Scale: Scale-aware Semantic Image Segmentation
a486259的博客
08-20 841
论文地址：https://arxiv.org/pdf/1511.03339.pdf发表时间:2016在全卷积神经网络(FCNs)中结合多尺度特征一直是实现语义图像分割最新性能的关键因素。提取多尺度特征的一种常见方法是将多个调整后的输入图像提供给一个共享的深度网络，然后将得到的特征合并起来进行像素级分类。在这项工作中，我们提出了一种注意机制，学习在每个像素位置的多尺度特征。我们采用了一个最先进的语义图像分割模型，我们与多尺度输入图像和注意力模型共同训练它。
PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection 用于遮挡行人检测的部分空间共现网络 翻译
小呆苗的博客
08-04 724
PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection 详解 PSC-Net ：用于遮挡行人检测的空间共现网络 原文链接：https://xueshu.baidu.com/usercenter/paper/show?paperid=1h0v0aa0nx6p04x0gv3m0a40tg083148&site=xueshu_se Abstract:Detecting pedestrians,
Learning Cross-Modal Deep Representations for Robust Pedestrian Detection
xiaofei0801的博客
06-01 3179
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。
Multi-Scale Attention Network for Crowd Counting：用于人群计数的多尺度注意网络
qq_37973756的博客
05-11 2302
Multi-Scale Attention Network for Crowd Counting：用于人群计数的多尺度注意网络Multi-Scale Attention Network for Crowd CountingAbstract（摘要）1. Introduction2. Ralated Work3. Our approach3.1 Baseline network for crowd counting3.2. Scale-aware soft attention masks(尺度感知的软注意力掩
几篇CVPR关于multi-task的整理
11-02
三、 用于同时检测和分割的多尺度贴片聚合（MPA）* Multi-scale Patch Aggregation (MPA) for Simultaneous Detection and Segmentation ∗ 7 四、 通过多任务网络级联实现感知语义分割Instance-aware Semantic ...
[深度学习从入门到女装]Scale-Aware Trident Networks for Object Detection
炼丹师
12-21 333
论文地址：Scale-Aware Trident Networks for Object Detection 这篇文章是使用改变网络的感受野来提高目标检测的能力，其实感觉就是感觉把deeplab中的block用到目标检测中 文章对比了两种主流的结构， 第一种就是最原始图像金字塔，把原始图像缩放成不同尺寸，然后对这些不同尺寸的图像进行特征提取，在分别使用这些不同scale的特征进行p...
Scale-Aware Face Detection阅读笔记
m0_37600149的博客
10-20 1235
https://arxiv.org/pdf/1706.09876.pdf 论文中通过两步来实现多尺度的人脸检测 Face Scale EstimationSingle Scale Detection 首先，估计出图片中存在的人脸的尺度，并且计算出每个尺度的置信度，再选取置信度高的，在这些特定的尺度上对人脸进行检测。这样的方法不用在各个尺度下对人脸进行检测，因此在速度上会比较快。
【ICCV2023】Scale-Aware Modulation Meet Transformer
m0_61899108的博客
07-25 4917
本文提出了一种新的视觉变换器——尺度感知调制变换器（Scale-Aware Modulation Transformer, SMT），通过将CNN和ViT相结合，可以有效地处理各种下游任务。多头混合卷积（MHMC）模块，该模块可以捕捉多尺度特征并扩展感受野。规模感知聚合（SAA）模块，该模块重量轻但有效，能够实现不同头部的信息融合。通过利用这两个模块，卷积调制得到了进一步增强。
《HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation》（CVPR2020）
jaredray的博客
03-05 974
额
多尺度目标检测Scale-Aware Trident Networks for Object Detection论文研读
qq_35030874的博客
06-03 1224
这篇文章主要要解决的问题是目标检测中尺寸变化问题。使用了非常简单干净的办法在标准的COCO benchmark上，使用ResNet101单模型可以得到MAP 48.4的结果。
论文笔记 《Fast R-CNN》
热门推荐
Fantasy_Fly的博客
07-15 5万+
转载自http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ 论文出处见：http://arxiv.org/abs/1504.08083 项目见：https://github.com/rbgirshick/fast-rcnn R-CNN的进化版，0.3s一张图片，VOC07有70的mAP，可谓又快又强。 而且rbg的代码一般
目标追踪与定位学习笔记7-遮挡感知R-CNN：在人群中检测行人论文阅读
qq_33977080的博客
05-21 1029
Occlusion-aware R-CNN：Detecting Pedestrians in a Crowd 遮挡感知R-CNN：在人群中检测行人 1. Overview 文章提出了新的遮挡感知算法来提高人群中的检测精度，具体而言设计一个新的aggregation loss去靠近并紧凑的定位到相对应对象。同时，使用一个新的汇集单元来代替RoI汇集层，以便将具有可见性预测的人体先验结构信息集成到网络中来处理遮挡。 此文章使用的数据集(CityPersons, ETH, INRIA) AggLoss==不仅
目标检测中的遮挡问题及优化
为之则易，不为则难
01-11 3万+
尽管目标检测算法整体上已经相对比较成熟，但是在特殊场景下的表现还有很多优化空间，比如图片中的目标有遮挡、图像运动模糊、目标为可改变形状的非刚性物体等。本文主要是针对遮挡问题，之前在做游戏目标检测时也遇到过这个问题，当时只是考虑增加训练样本的多样性，最近，笔者读了几篇解决目标检测中的遮挡问题的文章，也看了一些网友的解析，觉得若有所悟，不自觉地想把自己的理解记录下来，自认为“一万个人眼中有一万个哈姆雷...
Occlusion-aware R-CNN: Detecting Pedestrians in a Crowd 详解（遮挡下的行人检测）
gbyy42299的博客
11-12 5453
文章地址：https://arxiv.org/pdf/1807.08407.pdf 暂时没有放出源代码，如果有小伙伴找到代码的话欢迎留言给我。 一、概述 依然是解决在遮挡的情况下对人的检测的文章，作者分别从loss和two stage detector中核心的ROI Pooling操作这两个角度出发改善遮挡物体的检测问题。在之后我会根据这两个方面对文章进行一个简单的总结。先简单的放个在2.2中我将...
人脸检测--Scale-Aware Face Detection
AI小作坊 的博客
08-21 3133
Scale-Aware Face Detection CVPR2017针对人脸检测中的人脸多尺度问题，本文首先用一个 Scale Proposal Network (SPN) 估计出图像中人脸的尺度分布，然后按照该尺度归一化图像，再进行人脸检测 均匀分布的多尺度人脸检测有时是一种浪费，因为图像中可能只有 1-2 个尺度的人脸 所以本文的思路是先估计出人脸的尺度，有了尺度信息就可以根据该尺
SCALE-AWARE
最新发布
07-27
SCALE-AWARE是指在目标检测中，对不同尺度大小的目标进行感知和处理的训练策略。在Trident Network中，通过权重共享的设计，不同分支的特征图表征能力相同，从而实现了对不同尺度目标的有效检测。这种训练策略的好处包括减少参数数量、使得网络对不同尺度目标的表征能力相同，并且可以在不同感受野下进行训练。\[2\]\[3\]通过这种SCALE-AWARE的训练策略，TridentNet在目标检测任务中取得了较好的性能表现。 #### 引用[.reference_title] - *1* [多尺度目标检测Scale-Aware Trident Networks for Object Detection论文研读](https://blog.csdn.net/qq_35030874/article/details/117521746)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [Scale-Aware Trident Networks for Object Detection 论文笔记](https://blog.csdn.net/qq_30146937/article/details/106127419)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 3
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