本文收集了CVPR 2020 一些行人检测与人员重识别优秀论文,我们知道在视频监控相关领域这些技术方向可以得到很好得广泛应用。
行人检测及人群计数从内容来看主要解决行人与行人、行人与物体间的遮挡透视,和尺度问题带来得挑战
人员重识别有基于静态和动态视图ReID,方向可细分为:跨分辨率、跨域、跨模态(可见光-红外)、遮挡、非监督、射频信号人员重识别等。
相关论文
1.Detection in Crowded Scenes: One Proposal, Multiple Predictions
旷视研究院提出密集场景检测新方法:一个候选框,多个预测结果
![7fd840f3556747eb82db42c51272e1b6.png](https://i-blog.csdnimg.cn/blog_migrate/8f034f356f363564450c7ab65995a82a.jpeg)
论文地址:
https://arxiv.org/pdf/2003.09163.pdf
源码地址:
https://github.com/megvii-model/CrowdDetection
2.Detection in Crowded Scenes: One Proposal, Multiple Predictions
按代表性Region划分的NMS-通过Proposal配对实现拥挤行人检测
![f44e2a0336d3515747cab69e856a692e.png](https://i-blog.csdnimg.cn/blog_migrate/305047e9cbbc473bbf60e80d00cc96e1.jpeg)
论文地址:
https://arxiv.org/pdf/2003.12729.pdf
3.STINet: Spatio-Temporal-Interactive Network for Pedestrian Detection and Trajectory Prediction
STINET:用于行人检测和轨迹预测的时空交互网络
![0357218ed805714e27e3591fc5055e81.png](https://i-blog.csdnimg.cn/blog_migrate/cdd3c5b05e565586446ff951b7679fcd.jpeg)
论文地址:
https://arxiv.org/pdf/2005.04255.pdf
4.STINet: Spatio-Temporal-Interactive Network for Pedestrian Detection and Trajectory Prediction
多模态学习满足行人检测
![7892770da17b675b037fbe860a197798.png](https://i-blog.csdnimg.cn/blog_migrate/f4992e77fe82fe5cb5ffd33a6ce0685d.jpeg)
论文地址:
http://openaccess.thecvf.com/content_CVPR_2020/papers/Luo_Where_What_Whether_Multi-Modal_Learning_Meets_Pedestrian_Detection_CVPR_2020_paper.pdf
5.Temporal-Context Enhanced Detection of Heavily Occluded Pedestrians
地平线提出用时序信息提升行人检测准确度
![8e82889861fc83cec64a3b97cc3e9e60.png](https://i-blog.csdnimg.cn/blog_migrate/15158b503cad0b9b313b17ce7aa9db89.jpeg)
论文地址:
https://cse.buffalo.edu/~jsyuan/papers/2020/TFAN.pdf
6.Attention Scaling for Crowd Counting
摘要
人群计数的主要任务是学习图片与密度图之间的映射关系。由于人群密度在图片上的变化较大,以数据为驱动的网络很容易在人群数量估计时出现误差。为解决这一问题,我们提出了一种减轻不同区域计数性能差异的方法。主要包括Density Attention Network(DANet) 和Attention Scaling Network(ASNet)两个网络。DANet为ASNet提供了与不同密度水平区域相关的注意力掩膜。ASNet首先生成中间密度图和缩放因子,然后将它们与注意力掩膜相乘,以输出多张基于注意力的不同密度水平的密度图。这些密度图相加得到最终密度图。注意尺度因子有助于减弱不同区域的估计误差。此外,还提出了一种新的自适应金字塔损失(APLoss)来分层计算子区域的估计损失,从而减少训练偏差。并在多个数据集上取得了不错的效果
![9da8e9a7e87628aaa4d42d024c9e2be9.png](https://i-blog.csdnimg.cn/blog_migrate/b748932605eeb0fb79f46ed54dcd9830.jpeg)
论文地址:
http://openacces