《表2 在不同数据库中不同方法的识别结果》
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。
图表编号 | XD0096237900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.15 |
作者 | 谭论正、丁锐 |
绘制单位 | 中山职业技术学院信息工程学院、中山火炬职业技术学院信息工程系 |
更多格式 | 高清、无水印(增值服务) |