Crosstalk Cascades for Frame-Rate Pedestrian Detection 阅读笔记

2024-05-28 04:45:54

Crosstalk Cascades for Frame-Rate Pedestrian Detection

（目的：逐步减少输入检测框数量）

1 介绍

（说明已存在方法很慢，引出本文的算法。略。。。）

检测速度取决于特征和分类器。

文献【4】提供了一个快速多尺度特性的优化算法：在相邻位置构建两个级联；本文的串级联算法可以提高4~30倍的速度；

Fig.1 每个棒子代表一个级联的评估，绿球代表级联阶段的评估，红圈代表局部最大探测响应。（Left：在标准的级联方法中，每个位置都是单独分类评估的。Right：结合Crosstalk Cascades算法可以显著地减少运算量，同时要求更少的整体弱分类器的评估）

2 基探测器

目前，Channel features已经是最好的。一幅图像，具有相同特性的channel可以被计算出来，矩形通道区域以外的特性可以用作积分图像。在多尺度检测中。特性计算普遍基于稀疏的图像金字塔，文献【4】提到了如何计算这种通道特性。

我们重新实现这种通道特性，包括：梯度幅值（1 channel），梯度直方图（6 channel）和 LUV 颜色通道（3channels）

2.1 探测器相关性

相近位置和尺度的探测器具有相关性。ROS由特性、分类器的能力以及训练数据决定。ROS与k（分类能力）呈负相关。

3 soft cascades的限定

，当前分类器的分类结果受前面所有分类器结果的影响，

计算停止（拒绝当前检测数据进入下一分类器）；

3.1 拒绝阈值常数

，（文中）

；

3.2 优化soft cascades

定义

作为窗口

的检测结果，若窗口

为quasi-positive（

）则

。

考虑加入邻域检测窗口，若

且

，则

。

4 Crosstalk Cascades

介绍四种级联的构造算法：

1）soft cascades ：如果样本x在第k个分类器分类结果Hk(x) 小于 per-stage分类器的拒绝阈值

（即

），就拒绝进入下一分类器，其中

；

2）excitatory cascades ：若

，评价邻域窗口

，将满足条件的x和x’都划入

；

3） Inhibitory Cascades ：若

，则x被拒绝进入下一分类器；

4）Crosstalk Cascades ：组合Soft cascades、Excitatory cascades和Inhibitory Cascades 算法，成为Crosstalk Cascades算法。

Crosstalk Cascades算法步骤（自己整理的）：

声明：

（1）Let Xg denote all x sampled in a grid with a step size half the size of N ；

（2）boosted classifier H；

（3）target QMR（the quasi miss rate）γ；

（4）Xk表示经过k级分类器的检测窗口x的集合，XK为输出的包含对象的检测窗口；

input：Xk 、Xg、 H 、γ

初始化：Xk为所有的检测窗口x的集合，阈值θkE=θkR=θkI=0，Xg；

for stage k=1:K

1）计算H(xj)，xj属于Xg；

计算阈值θkE:

其中：hjo为max(H(N(xj)))；

若H(xj)小于θkE，则Xk=Xk-xj-N(xj)；

更新Xg；

2）计算H(xi)，xi属于Xk；

计算阈值θkR:

其中：

若H(xi)小于θkE，则Xk=Xk-xi；

3）计算min(H(xi)/H(N(xi))),xi属于Xk;

计算阈值θkI:

其中：

若min(H(xi)/H(N(xi)))小于θkI，则Xk=Xk-xi；

4）判断Xk是否为空？是，则输出 no object；

否，k+1,返回步骤 1）;

output：包含对象的检测窗口 XK

疑问：

1）是否可以加一个ke作为Excitatory cascades最大k级分类器（已解决）

2）Xg更新？（已解决）

3）Inhibitory Cascades的比值计算是不是增大了计算量？（已解决）

5 分析

1）三种soft cascade方法（recalibrate、semi-supervised、unsupervised）的实验结果（提升速度、误差）对比；

2）对比不同γ对误差和fppi的影响；

3）对比不同大小的检测窗口对soft cascades速度提升倍数的影响；

4）对比不同方法（文献【6】中提供）、不同γ的crosstalk cascades的误差和速度；

5）对比四种方法（）的误差和fppi结果；

6 结论

Our approach is simple and effective and achieves faster than frame-rate detection

疑问？

1）邻域确定，

计算（已解决）

2）各阈值的计算（已解决）

3）基检测器的

a）输入channels特征【6】；

b）检测方法（已解决）

4）检测窗口滑动的规则（已解决）

——————————————————————写在最后——————————————————

本文为笔者的阅读笔记，有任何错误和疑问，欢迎联系QQ邮箱：1192090271@qq.com

Crosstalk Cascades for Frame-Rate Pedestrian Detection 阅读笔记相关推荐

Learning Memory-guided Normality for Anomaly Detection阅读笔记
Learning Memory-guided Normality for Anomaly Detection阅读笔记 Abstract 我们解决异常检测的问题,即检测视频序列中的异常事件. 传统上,异 ...
CVPR2019｜Depth-Aware Video Frame Interpolation【论文阅读笔记】
CVPR2019|Depth-Aware Video Frame Interpolation[论文阅读笔记] 作者相关链接 1.前言 2.介绍 3.算法 4.实验作者 Wenbo Bao, Wei ...
Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection阅读笔记
Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection阅读笔记文章标题:A ...
红外弱小目标检测之“Asymmetric Contextual Modulation for Infrared Small Target Detection“阅读笔记
Asymmetric Contextual Modulation for Infrared Small Target Detection 本文开源代码及单帧红外小目标检测数据集: code:https ...
Mutual Graph Learning for Camouflaged Object Detection阅读笔记
CVPR 2021 Qiang Zhai, Xin Li, Fan Yang, Chenglizhao Chen, Hong Cheng, Deng-Ping Fan https://arxiv.or ...
Bilateral attention network for RGB-D salient object detection阅读笔记
IEEE 2021 Zhao Zhang; Zheng Lin; Jun Xu; Wen-Da Jin; Shao-Ping Lu; Deng-Ping Fan 论文地址一.简介提出了双边注意模块 ...
Camouflaged Object Detection阅读笔记
CVPR 2020 Deng-Ping Fan, Ge-Peng Ji, Guolei Sun, Ming-Ming Cheng, Jianbing Shen, Ling Shao https://o ...
D2C-Net: A Dual-branch, Dual-guidance and Cross-refine Network for Camouflaged Object Detection阅读笔记
IEEE Transactions on Industrial Electronics 2021 Kang Wang; Hongbo Bi; Yi Zhang; Cong Zhang; Ziqi Li ...
Uncertainty-aware Joint Salient Object and Camouflaged Object Detection阅读笔记
CVPR2021 Aixuan Li,Jing Zhang,Yunqiu Lv,Bowen Liu,Tong Zhang,Yuchao Dai https://arxiv.org/abs/2104.0 ...

最新文章

热门文章