基于Anchor-free架構的行人檢測方法
2020年信息技術與網絡安全第4期
張慶伍，關勝曉
(中國科學技術大學 微電子學院，安徽 合肥 230026)
摘要： 使用無預選框(Anchor-free)的檢測框架，設計了一種行人檢測算法。將深度殘差網絡(ResNet)作為特征提取網絡，與特征金字塔網絡(FPN)結構相結合，使用了多尺度預測的方式進行預測。把目標中心點和尺寸作為一種高級的語義特征，將含有更多細節信息的淺層特征圖和含有更多語義信息的深層特征圖進行融合。在Citypersons數據集上進行了實驗驗證，相較現有行人檢測算法，提出的算法在輕微遮擋、一般遮擋和嚴重遮擋情況下漏檢率分別提升了1.11%~3.01%，0.15%~6.55%和0.59%~6.39%，檢測效果更好。
中圖分類號：TP183
文獻標識碼：A
DOI： 10.19358/j.issn.2096-5133.2020.04.008
引用格式：張慶伍，關勝曉.基于Anchor-free架構的行人檢測方法［J］.信息技術與網絡安全，2020,39（4）：43-47,52.
文獻標識碼：A
DOI： 10.19358/j.issn.2096-5133.2020.04.008
引用格式：張慶伍，關勝曉.基于Anchor-free架構的行人檢測方法［J］.信息技術與網絡安全，2020,39（4）：43-47,52.
Pedestrian detection algorithms based on Anchor-free architecture
Zhang Qingwu，Guan Shengxiao
(School of Microelectronics,University of Science and Technology of China,Hefei 230026,China)
Abstract： This paper designed a pedestrian detection algorithm based on the Anchor-free detection framework.The deep residual network (ResNet) was used as a feature extraction network,combined with the feature pyramid structure (FPN),and finally multiscale prediction was used for prediction.This paper also regarded the target center point and size as an advanced semantic feature,and combined the shallow feature map with more detailed information and the deep feature map with more semantic information.The experiments were verified on the Citypersons dataset.Compared with the existing pedestrian detection algorithms, the detection results were respectively improved by 1.11%~3.01%, 0.15%~6.55% and 0.59%~6.39% in the case of slight occlusion, general occlusion and severe occlusion, and the detection effect is better.
Key words : Anchor-free;pedestrian detection;feature fusion;multi-scale detection
0 引言
行人檢測是智能安防和車輛輔助駕駛等實際應用的關鍵技術。隨著計算機視覺技術的快速發展，目標檢測算法的性能也不斷提升。目前基于深度學習的目標檢測方法按照是否提出預選框可以分為兩大類：一類是基于預選框的檢測算法，該類算法首先預先設置預選框，然后通過預選框和真實目標進行匹配，最終選出合適的預選框進行訓練，這類算法以FasterRCNN和SSD為代表；另一類是不使用預選框的檢測算法，該類算法首先對預測目標的關鍵點進行標注，然后將深度神經網絡的輸出設置成相同的格式，直接進行訓練，這類算法以YOLO和DenseBox為代表。其中，Anchorfree的算法框架結構簡潔，更加適用于計算資源較少的實際應用場景。本文在Anchor-free算法的基礎上，首先使用不同的基礎網絡構建檢測算法，然后選出性能穩定的基礎網絡，利用特征金字塔結構對不同卷積層上的特征圖進行融合，提升檢測效果，最后使用多尺度預測的方法，通過不同尺度的預測圖生成了更多的檢測結果，再次提升了檢測效果。本文算法在Citypersons數據集上進行了驗證，其檢測精度相較其他行人檢測算法有一定提升。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000003204
作者信息：
張慶伍，關勝曉
(中國科學技術大學 微電子學院，安徽 合肥 230026)
此內容為AET網站原創，未經授權禁止轉載。