【学习笔记】High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection/CSP

论文地址：https://arxiv.org/abs/1904.02948v1

代码地址：https://github.com/liuwei16/CSP

 

1、概述

      传统的目标检测大多基于滑动窗体或者先验框方式，而无论哪个方法都需要繁杂的配置。本文中所介绍的检测器（CSP--Center and Scale Prediction），以行人检测为例，提出了一个高级语义特征检测的新视角。CSP放弃传统的窗体检测方式，通过卷积操作直接预测行人的中心位置和维度大小。结果显示CSP在准确率和速度上都有显著提高。

图1 CSP过程图

 

2、结构设计

  

图2 CSP整体结构

 

    CSP整体结构如图一所示，其中主干网络部分缩减自一个标准的网络结构（如：ResNet-50 和 MobileNet），并且在ImageNet上预训练过。主要分成两部分：Feature Extraction和Detection Head。

2.1 Feature Extraction

    以ResNet-50为例，以每次下采样为界将其卷积层分为五个阶段，每个阶段的大小是原图以缩减因子分别为2,4,8,16,32得到的缩略特征图。并且在第五步采用孔洞卷积，最终得到的特征图大小与第四阶段一致，是原图的1/16。因为浅层含有更加准确的位置信息，深层拥有更多的语义信息，所以作者将不同阶段的特征图串联成一个。又因为图片特征图大小不一，所以采用反卷积方式将图片转换成相同