【論文學習】行人檢測——CVPR Deep Learning Strong Parts for Pedestrian Detection

paper：Deep Learning Strong Parts for Pedestrian Detection

目錄

主要解決的問題

提出的解決辦法

1、現階段對於阻塞問題的處理方法

2、文章創新點

3、訓練部分池過程

4、深模型中的移位處理

5、學習過程

6、遺留問題

---

主要解決的問題

       做行人檢測時，將CNN的主要特徵轉移給了行人，但無法做遮擋處理。

提出的解決辦法

        以前只是建立一個單一的檢測器，本文提出了DeepParts，有以下3個特性：

1. 可以訓練弱標籤數據
2. 可以處理偏移標準的低IoU positive proposals
3. 每個監測器都足夠檢測一部分

1、現階段對於阻塞問題的處理方法

1. 爲不同阻塞類型訓練不同的監測器
2. 將部分可見變量建模爲潛在變量

2、文章創新點

1. 通過數據驅動，自動選擇若干局部互補模型
2. 首次探索基於ConvNets，將單一部件檢測器及其組合用於行人檢測
3. 提出一個新的方法用以處理偏移問題
4. Caltech數據集中，missing rate降低到了11.89%

3、訓練部分池過程

1. 構建part pool
2. 對每一個part訓練一個檢測器patch，針對proposal windows偏移問題提出解決方法。三個深模型：AlexNet、Clarifai、GoogleLeNet。三個預訓練策略：  無預訓練，參數高斯分佈隨機初始化；ImageNet預訓練；ImageNet中對象塊的預訓練。
3. 綜合各個檢測器，得到行人檢測結果

4、深模型中的移位處理

1. Shifting造成IoU低
2. 提出的解決方案爲jitter
3. Jitter中的testing time會增加k次（k爲patch數）
4. 引入全卷積模型

5、學習過程

1. 輸入圖像
2. 選擇part pool部分
3. 提取CNN特徵
4. 利用線性SVM對CNN特徵分類
5. 完成行人檢測

6、遺留問題

       使用了多個模型，如何做模型間的壓縮