【论文学习】行人检测——CVPR Deep Learning Strong Parts for Pedestrian Detection

paper：Deep Learning Strong Parts for Pedestrian Detection

目录

主要解决的问题

提出的解决办法

1、现阶段对于阻塞问题的处理方法

2、文章创新点

3、训练部分池过程

4、深模型中的移位处理

5、学习过程

6、遗留问题

---

主要解决的问题

       做行人检测时，将CNN的主要特征转移给了行人，但无法做遮挡处理。

提出的解决办法

        以前只是建立一个单一的检测器，本文提出了DeepParts，有以下3个特性：

1. 可以训练弱标签数据
2. 可以处理偏移标准的低IoU positive proposals
3. 每个监测器都足够检测一部分

1、现阶段对于阻塞问题的处理方法

1. 为不同阻塞类型训练不同的监测器
2. 将部分可见变量建模为潜在变量

2、文章创新点

1. 通过数据驱动，自动选择若干局部互补模型
2. 首次探索基于ConvNets，将单一部件检测器及其组合用于行人检测
3. 提出一个新的方法用以处理偏移问题
4. Caltech数据集中，missing rate降低到了11.89%

3、训练部分池过程

1. 构建part pool
2. 对每一个part训练一个检测器patch，针对proposal windows偏移问题提出解决方法。三个深模型：AlexNet、Clarifai、GoogleLeNet。三个预训练策略：  无预训练，参数高斯分布随机初始化；ImageNet预训练；ImageNet中对象块的预训练。
3. 综合各个检测器，得到行人检测结果

4、深模型中的移位处理

1. Shifting造成IoU低
2. 提出的解决方案为jitter
3. Jitter中的testing time会增加k次（k为patch数）
4. 引入全卷积模型

5、学习过程

1. 输入图像
2. 选择part pool部分
3. 提取CNN特征
4. 利用线性SVM对CNN特征分类
5. 完成行人检测

6、遗留问题

       使用了多个模型，如何做模型间的压缩