![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
行人检测
JacobKong
欢迎来到孔伟杰(@JacobKong_Dev)的博客。 本人目前是北大信工的研一菜鸟一枚。 研究兴趣:计算机视觉|深度学习|行人检测。 欢迎大家一块儿交流!
展开
-
行人检测论文笔记:Pedestrian Detection - A Benchmark
知识点k折交叉验证Non-Maximum Suppression:非极大值抑制算法,非极大值抑制(NMS)可以看做是抑制不是极大值的元素,搜索局部的极大值的搜索问题,NMS是许多计算机视觉算法的部分。 这个局部代表的是一个邻域,邻域有两个参数可变,一是邻域的维数,二是邻域的大小。在行人检测中,滑动窗口经提取特征,经分类器分类识别后,每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗原创 2017-02-18 20:18:39 · 2805 阅读 · 0 评论 -
行人检测论文笔记:Pedestrian Detection - An Evaluation of the State of the Art
知识点对数正态分布(lognormally distributed):对数为正态分布的任意随机变量的概率分布。 如果 X 是正态分布的随机变量,则 exp(X)为对数正态分布.如果 Y 是对数正态分布,则 ln(Y) 为正态分布。如果一个变量可以看作是许多很小独立因子的乘积,则这个变量可以看作是对数正态分布。对数正态分布的概率密度函数为:对数平均:对数平均与几何平均相等,并且比算数平均,对原创 2017-02-18 20:21:21 · 3832 阅读 · 2 评论 -
行人检测论文笔记:Fast Feature Pyramids for Object Detection?
相关知识点Overcomplete Representations:Overcomplete:Such a complete system is overcomplete if removal of a ϕj\phi _{j} from the system results in a system (i.e., ϕi((i∈J∖j))){\phi _{i}}_((i\in J\backslash原创 2017-02-18 20:26:29 · 3792 阅读 · 0 评论 -
行人检测论文笔记:Fast Feature Pyramids for Object Detection?
相关知识点Overcomplete Representations:Overcomplete:Such a complete system is overcomplete if removal of a ϕj\phi _{j} from the system results in a system (i.e., ϕi((i∈J∖j)){\phi _{i}}_((i\in J\backslash {原创 2017-02-18 20:56:49 · 1477 阅读 · 0 评论 -
行人检测论文笔记:Ten Years of Pedestrian Detection, What Have We Learned?
Abstract这种新的决策林探测器在挑战性的Caltech-USA数据集上实现了当前最好的已知性能。Introduction更重要的是,这是一个有着已建立的基准和评估指标的良好定义的问题。用于对象检测的的主要范例有——”Viola&Jones变体“,HOG + SVM模板,可变形部分检测器(DPM)和卷积神经网络(ConvNets)都已经被探索用于此任务。DatasetsINRIA,原创 2017-02-18 21:00:33 · 1519 阅读 · 0 评论 -
行人检测论文笔记:How Far are We from Solving Pedestrian Detection?
文章疑问点Human Baseline 的标准是如何确定的?Ground-truth是什么意思?Groun-truth 指的是正确的标注(真实值)在有监督学习中,数据是有标注的,以(x, t)的形式出现,其中x是输入数据,t是标注.正确的t标注是ground truth,错误的标记则不是。(也有人将所有标注数据都叫做ground truth)。原创 2017-02-18 21:01:29 · 4708 阅读 · 0 评论 -
行人检测论文笔记:Histograms of Oriented Gradients for Human Detection
相关知识点从TP、FP、TN、FN到ROC曲线、miss rateTP:true positive,实际是正例,预测为正例FP:false positive,实际为负例,预测为正例TN:true negative,实际为负例,预测为负例FN:false negative,实际为正例,预测为负例fnr+tpr=1, fpr+tnr=1miss rate = FNR = 1 - true po原创 2017-02-18 20:57:38 · 2741 阅读 · 0 评论 -
深度学习论文笔记:SSD
知识点Jaccard overlap, Jaccard similarity: Jaccard coefficient: J(A,B)=|A∩B||A∪B| J(A,B)=\frac{|A\cap B|}{|A\cup B|} A,B分别代表符合某种条件的集合:两个集合交集的大小/两个集合并集的大小,交集=并集意味着2个集合完全重合。 所以Jaccard overlap其实就是I原创 2017-02-20 23:06:16 · 3549 阅读 · 0 评论