A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Discriminative Part CNN for Pedestrian Detection Parte Discriminativa CNN para Detecção de Pedestres

Yu WANG, Cong CAO, Jien KATO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A detecção de pedestres é uma tarefa significativa na visão computacional. Nos últimos anos, tem sido amplamente utilizado em aplicações como sistemas de vigilância inteligentes e sistemas de condução automatizados. Embora tenha sido exaustivamente estudado na última década, a questão do manejo da oclusão ainda permanece sem solução. Uma ideia convincente é primeiro detectar partes do corpo humano e depois utilizar as informações das peças para estimar a existência dos pedestres. Muitas abordagens de detecção de pedestres baseadas em peças foram propostas com base nesta ideia. No entanto, na maioria dessas abordagens, a mineração de peças de baixa qualidade e a combinação desajeitada do detector de peças é um gargalo que limita o desempenho da detecção. Para eliminar o gargalo, propomos a Parte Discriminativa CNN (DP-CNN). Nossa abordagem tem duas contribuições principais: (1) Propomos um método de mineração de partes do corpo de alta qualidade baseado tanto nas características da camada convolucional quanto nas subclasses de partes do corpo. Os agrupamentos de partes minadas não são apenas discriminativos, mas também representativos, e podem ajudar a construir poderosos detectores de pedestres. (2) Propomos um novo método para combinar detectores de múltiplas partes. Convertemos os detectores parciais em uma camada intermediária de uma CNN e otimizamos todo o pipeline de detecção ajustando essa CNN. Em experimentos, mostra uma eficácia surpreendente de otimização e robustez no tratamento da oclusão.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.3 pp.700-712
Data de publicação
2022/03/01
Publicitada
2021/12/06
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7057
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de imagem, visão computacional

autores

Yu WANG
  Ritsumeikan University
Cong CAO
  Nagoya University
Jien KATO
  Ritsumeikan University

Palavra-chave