【行人检测】Pedestron论文阅读

原文：https://openaccess.thecvf.com/content/CVPR2021/papers/Hasan_Generalizable_Pedestrian_Detection_The_Elephant_in_the_Room_CVPR_2021_paper.pdf

代码：https://github.com/hasanirtiza/Pedestron

1. 问题提出

现有的行人检测模型都不具有领域适应性(大多数现有的方法都集中在特定的行人数据集上，不能推广到其他地方)，这也就意味着无法将其无法推广到实际应用之中。

2. 实验设置

• 数据集

• Caltech 从美国洛杉矶一辆汽车录制的 10 小时视频中提取，数据多样性和行人密度都较低；

• CityPersons 记录在德国和邻国27个城市，数据多样性较前者更好；

• ECP 记录在欧洲 12 个国家的 31 个不同城市且有白天和夜间的图像，多样性和难度多大于前两者；

• CrowdHuman 和 Wider Pedestrian 为网络爬取数据集，数据多样性和行人密度都较好。

• 评估方法：MR-2，不同的遮挡程度(如下)，跨数据集评估（在 A的训练集上训练 B 的测试/验证集上测试）

• Baseline：Cascade R-CNN

• Backbone：HRNet

3. 实验结果

• 行人检测器比一般的物体检测器泛化性更差

（上面六个是专用的行人检测器，下面两个是通用的物体检测器；"CityPersons->Caltech"表示在CityPersons训练在Caltech测试）

• 证明Cascade R-CNN的学习和泛化能力（与backbone换成HRNet的CSP相比）

• 多样化和密度高的数据集可以提高泛化能力，Cascade RCNN 等通用对象检测方法往往更受益于多样化和密集高的数据集，CrowdHuman 和 Wider Pedestrian 是预训练的合适选择

• 渐进式的微调可以提高性能

从一般的多样化数据集（远离目标域）开始，然后对更接近目标域的数据集进行微调。（A → B 指的是在数据集 A 上进行预训练并在数据集 B 上进行微调。而 A + B 指的是简单地将两个数据集合并在一起，并在合并后的更大的数据集上训练模型）