深度学习行人检测应用二
涉及论文
*Luo, P., et al. (2014). Switchable deep network for pedestrian detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.”
摘要
提出一种可切换深度网络,Switchable Deep Network(SDN)用于行人检测。SDN可以自动学习多级特征,显著性特征和不同身体部分的混合。行人检测面临一些挑战,如背景杂乱,由姿势、视角不同和一些其他因素造成的行人表现多变性。其中一个主要贡献是提出一种SRBM(Switchable Restricted Boltmann Machine),来给不同级的混乱进行建模。在特征级,自动估计了显著性map来对每个测试样本为了从可区分的区域中区分背景clusters。在身体部分级,可以推断出最合适的全身和部分集合的模型。并且提出了一种高效预训练SDN的方法。本算法在Caltech和ETH数据集上进行了评估。
Contributions
- 提出一种同意的深度模型来联合学习特征,显著性特征,以及可代表全身和部分混合的模型。
- 通过介绍了一种利用RBM的可切换的构建思路来丰富了传统CNN网络。
- 提出了一种类EM算法来预训练可变换层。
核心内容
深度模型概要
SRBM
基本构架
图 1 网络结构图
RBM就是限制玻尔