【论文解读】行人检测：What Can Help Pedestrian Detection?（CVPR'17）

前言

本篇文章出自CVPR2017，四名作者为Tsinghua University，Peking University, 外加两名来自Megvii（旷视科技）的大佬。 文章中对能够帮助行人检测的extra features做了诸多分析，并且提出了HyperLearner行人检测框架（基于Faster R-CNN改进），在KITTI&Caltech&Cityscapes数据集上实现了极为优秀的性能。
论文：http://openaccess.thecvf.com/content_cvpr_2017/papers/Mao_What_Can_Help_CVPR_2017_paper.pdf

正文

行人检测出了什么问题？

无疑，行人检测在步态识别、智能视频监控和自动驾驶等领域发挥着重要作用。作者在文中指出，虽然近年来深度卷积网络在通用目标检测上取得了巨大的进步，但在行人检测领域的研究仍有两大主要挑战：

（1）首先，相比一般的物体，行人与背景的辨识度更小。

如上图，行人在杂乱的背景带来难以区分的负样本，如交通标志、邮筒等。它有非常相似的表观特征与行人。没有额外的语义上下文，使用这种低分辨率输入