《表2 在不同数据库中不同方法的识别结果》

  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

《基于集成推理卷积神经网络的快速行人检测》

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

本文在Caltech Pedestrian Dataset上将所提出的方法与以下其他方法进行了比较：HOG[9]、传统CNN[11]、可切换深度神经网络[13]、Fast R-CNN[15]进行对比实验。如表2所示，当每幅图像假阳性（False Positive per Image) FPPI为0.1时，本文方法的识别精度相对于传统CNN提高了15%。此外，本文所提出的方法实现了与可切换深度网络[13]类似的性能，然而可切换深度网络需构建复杂的网络结构，本文简单的网络架构足以在深度学习方法中实现最先进的性能。与目前图像检测性能最高的Faster R-CNN相比，它将检测精度提高了约10.5%。Faster R-CNN使用超像素方法确定图像中的感兴趣区域，并使用CNN提取特征。将提取的特征传递给为每个对象训练的SVM，最后检测特定的对象位置。虽然Faster R-CNN在目标检测上准确，但在尺寸较小的图像中，提出的行人特征没有什么区分能力，且在背景复杂干扰较大的环境中行人检测上效果一般。