《表2 近10年以来主流行人检测算法对比》
此外,近几年随着GPU(graphics processing units)处理器在图像处理上广泛应用,深度学习发展趋势迅速,尤其是在图像目标检测和分类领域卷积神经网络(convolutional neural networks,CNN)算法相对传统的检测算法性能提升显著[22]。首先是Ross Girshick将传统计算机视觉领域的方法选择性搜索(selective search)与CNN结合,先后提出了R-CNN[23],Fast R-CNN[24],Faster R-CNN[25]等框架,基于区提名的R-CNN系列的算法在检测精度上有了很大的提升,但是检测的速度较慢,针对这个问题出现了端到端(end-to-end)目标检测方法,比如SDD[26]以及Redmon等人提出YOLO[27-28]系列,在检测速度上做到了实时。Liliang Zhang等[29]基于可见光行人数据库训练了专用于行人检测的深度学习网络,其实验结果与其他主流的检测算法相比有了极大的提升。最后针对上述总结按时间顺序列出了2009年来具有代表性的一些算法见表2。
图表编号 | XD0065887100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.20 |
作者 | 石永彪、张湧 |
绘制单位 | 中国科学院大学、上海技术物理研究所红外探测与成像技术重点实验室、上海技术物理研究所红外探测与成像技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |