《表8 不同方法在Caltech数据集上的对数平均漏检率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合密度和精细分数的行人检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示各列最优结果，“+city”表示使用Cityper-sons数据集预训练模型作为初始化。

不同方法在Citypersons和Caltech数据集的实验结果（对数平均漏检率）如表7和表8所示。通过定量对比可以看出，相比于其他方法，使用本文方法的效果有明显提高。ALFNet（Liu等，2018）方法使用两阶段渐进定位，但仅能够实现一般场景下的行人检测，没有考虑相互遮挡行人的漏检和单个行人的错检问题。Repulsion Loss（Wang等，2018）以及OR-CNN（Zhang等，2018）均设计合理的损失函数来吸引或者排斥检测框，但都没有从根本上抑制相互遮挡行人框的删除，并且anchor学习难度大，造成性能提升很少。CSP（Liu等，2018）首次使用anchor-free思想进行行人检测，但存在置信度不精确的问题。本文方法基于anchor-free框架，添加密度图模块和分类器模块，提出SSF分数融合规则以解决置信度不精确的问题，并且设计IAN方法有效避免漏检和错检。在公开的行人数据集Citypersons上测试，本文方法在4个子集上均有1%左右的提升，表明本文方法可以有效处理各种不同场景。在Caltech数据集的实验中，为了获得更好的结果，使用Citypersons数据集预训练模型作为初始化进行训练，但仅在Reasonable和All子集上略有提升，这可能是该数据集分辨率不高并且大多数行人的尺寸较小所致。在Heavy子集上没有提升，原因是图像清晰度不高导致严重遮挡行人含有大量噪声，使得多任务训练更加困难，对其特征提取能力下降。