相关实验视频
Updated: Jul 9, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
两个阶段的行人检测模型使用一个新的分类头域泛化域名
Daniel Schulz1,2, Claudio A Perez1,2
1Department of Electrical Engineering, and Advanced Mining Technology Center, Universidad de Chile, Santiago 8370451, Chile.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
这项研究引入了一种新的深度学习行人探测器,通过使用三倍损失来集群行人特征来增强域概括. 这种新方法在具有挑战性的CityPersons基准测试中取得了最先进的结果,特别是在重型行人场景中.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习方法在自动驾驶和监控等应用中显著提升了行人检测.
- 现有的探测器在域泛化方面面临挑战,限制了它们在不同环境中的性能.
研究的目的:
- 开发一种新的两级行人探测器,具有改进的域泛化功能.
- 通过使用三重损失来最大限度地缩小类内距离和最大限度地缩小类间距离来增强特征表示.
主要方法:
- 实现了一种新的定制分类头,三倍损失集成到更快的R-CNN和级R-CNN架构中.
- 使用在ImageNet上预训练的HRNet骨干进行特征提取.
- 采用渐进式培训管道,对逐渐接近目标领域的数据集进行微调.
主要成果:
- 在CityPersons基准上取得了最先进的表现.
- 获得的MR-2分数为9.9 (合理),11.0 (小) 和36.2 (严重).
- 在重型子集上表现出色,在具有挑战性的条件下显示出强度.
结论:
- 拟议的三重损失集成有效地改善了行人检测领域的泛化.
- 新型探测器架构和渐进式培训策略带来了卓越的结果,特别是在困难的场景中.
