![](https://csdnimg.cn/release/download_crawler_static/88423968/bg4.jpg)
在行人检测方面,受RCNN [17]的成功驱动,在两阶段框架中提出
了一系列行人检测器。Hosang等人[19]首先利用SCF检测器[2]生成建
议,然后将其馈送到RCNN类型的网络中。在TA-CNN [38]中,ACF检
测器[10]用于生成建议,然后行人检测与辅助语义任务联合DeepParts
[37]使用LDCF检测器[29]来生成建议,然后训练CNN的集合来检测不
同的部分。与上述方法不同,RPN+BF [42]采用Faster-RCNN中的原始
RPN
[32]以生成建议,然后在这些建议之上学习提升的森林分类器。对于
多尺度检测问题,MS-CNN [4]利用基础网络的多层来生成建议,然后
通过上下文推理辅助检测网络。SA-FastRCNN [24]根据ACF检测器[10]
生成的建议,联合训练两个网络分别检测大规模和小规模的行人巴西
等[3],Du et al.
[13] Mao et al.[28]通过结合语义信息进一步提高检测性能最近,Wang
et al.[40]基于Faster-RCNN [32]设计了一种用于拥挤行人检测的新型回
归损失,在CityPersons [44]和Caltech [12]基准上实现了最先进的结果然
而,人们对速度的关注比对准确性的关注要少。
最近,Cascade R-CNN [6]提出通过RPN生成的建议逐步训练一系列
所提出的方法与Cascade R-CNN共享类似的多步细化思想。然而,不
同之处在于两个方面。首先,Cascade R-CNN是基于Faster R-CNN框架
的更好的检测器,但我们试图回答Faster R-CNN中的关键是什么,以
及这个关键是否可以用来增强SSD的速度和准确性。我们得到的关键
是多步预测,一步是RPN,另一步是ROI的预测。考虑到这一发现,
SSD中的默认锚点可以在多个步骤中以完全卷积的方式处理,而无需
ROI池化。其次,在所提出的方法中,所有默认锚点在多个步骤中进
行卷积处理,而无需重新采样或迭代ROI池化。相比之下,Cascade R-
CNN将Faster R-CNN的检测器部分转换为多步,这不可避免地需要
RPN,并在该框架内迭代地应用锚点选择和单个ROI池化。
另一个与我们密切相关的工作是Refinedet [45]提出的通用对象检
测。它包含两个相互连接的模块,前一个模块通过客观性得分过滤掉
负面锚点,后一个模块从第一个模块中提炼锚点转移连接块进一步被
设计成在这两个模块之间转移特征。所提出的方法与Refinedet [45]的
不同之处主要在于两个方面。首先,我们将检测模块堆叠在骨干特征
图上,而没有传输连接块,因此更简单,更快速。其次,所有默认锚
点在多个步骤中被同等地处理,而不进行过滤。我们认为,来自第一
步的分数不足以确定
,并且“无效”
的过滤
器
和
过滤
器可能包含可能仍
有机会在后面的