ALFNet行人检测

 

实际测试，发现检测完全错误。可能是官方开源的model有问题，也可能是参数设置的问题(见Config.py文件)

地址：https://github.com/liuwei16/ALFNet

2年前的：

keras的，有权重

https://github.com/VideoObjectSearch/ALFNet

 

从以上分析出发，作者提出渐近定位模块（Asymptotic Localization Fitting， ALF）,基于SSD的检测框架，利用不断提升的IoU阈值训练多个定位模块，来达到提升定位精度的目的。

 

也已经证明：通过在Faster R-CNN的第二阶段级联多步预测会进一步提升Faster R-CNN的准确率，为此能否也在SSD框架下完成多步预测？这样就可以在获得速度优势的同时也提升准确率了。

 

此外作者认为：基于SSD的单阶段检测器在行人检测上表现不佳的另外一个原因是训练时只能选取单一的IoU阈值定义正负样本。一个较低的IoU阈值（比如0.5）有利于获得足够的正样本，特别是在当前行人检测数据集中行人样本本身就很有限的情况下，如下图1（a）所示，在Caltech训练集中没有行人样本的图片占了78.7%，只有一个行人样本的图片占了11.7%，可是训练时采用较低的IoU阈值会导致测试时产生大量”close but not correct”虚检，这一点在Cascade R-CNN[1]中也有提到，但如果训练时采用一个较高的IoU阈值（比如0.7）则会导致匹配上的正样本会非常少，如下图1（b）所示，随着IoU阈值的提高，匹配上的正样本数据急剧下降，这种定义正负样本的两难问题使得训练一个高精度的SSD非常困难。