基于联合学习的多视角室内人员检测网络 
下载： 1023次
Multi-View Indoor Human Detection Neural Network Based on Joint Learning
1 天津大学电气自动化与信息工程学院, 天津 300072
2 天津大学微电子学院, 天津 300072
图 & 表
图 1. 区域建议网络模型结构图
Fig. 1. Architecture of region proposal network
下载图片 查看原文
图 2. 多视角样本。(a)正面;(b)侧面;(c)背面
Fig. 2. Multi-view samples. (a) Frontal view; (b) profile view; (c) back view
下载图片 查看原文
图 3. MVNN模型框架
Fig. 3. Architecture of MVNN
下载图片 查看原文
图 4. MVNN主体检测网络模型框架
Fig. 4. Principal detection neural network model of MVNN
下载图片 查看原文
图 5. 输入层三通道示意图。(a)样本1;(b)样本2
Fig. 5. Three channels of input layer. (a) Sample 1; (b) sample 2
下载图片 查看原文
图 6. 可变形层的部件分数计算模型
Fig. 6. Calculation model of part score for deformation layer
下载图片 查看原文
图 7. 输入数据的区域建议结果比较。(a)HOG特征结合Adaboost方法;(b)所提区域建议算法
Fig. 7. Comparison results of region proposal for input data. (a) HOG+Adaboost algorithm; (b) Proposed region proposal algorithm
下载图片 查看原文
图 8. 多视角模型测试结果。(a)不同视角下测试样本的检测结果;(b)单视角模型和多视角模型的检测效果对比
Fig. 8. Testing result of multi-view model. (a) Testing result of multiple views; (b) Comparison results of single-view model and multi-view model
下载图片 查看原文
图 9. DPM测试结果
Fig. 9. Testing result of DPM
下载图片 查看原文
图 10. 所提算法在IHDD上的测试结果。(a) RFPPI-RMR曲线;(b) P-R曲线
Fig. 10. Testing result of proposed algorithm on IHDD. (a) RFPPI-RMR curve; (b) P-R curve
下载图片 查看原文
表 1所提算法中部件滤波器参数
Table1. Parameters of part filters in proposed algorithm
| Parameter | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
|---|
| Starting line | 1 | 1 | 4 | 4 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 1 | -1 | 1 | 1 | | Ending line | 3 | 3 | 9 | 9 | 3 | 9 | 9 | 9 | 3 | 9 | 9 | 9 | 9 | 9 | 9 | | Starting column | 1 | 3 | 1 | 3 | 1 | 1 | 4 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | | Ending column | 3 | 5 | 3 | 5 | 5 | 2 | 5 | 5 | 5 | 5 | 2 | 5 | 5 | 5 | 5 |
|
查看原文
表 2室内人员检测数据集
Table2. Indoor human detection dataset
| Test environment | Total frames | Annotated humansNo. |
|---|
| Office day 1 | 3912 | 5163 | | Office day 2 | 3157 | 4785 | | Office day 3 | 246 | 394 | | Duty room day 1 | 108 | 178 | | Duty room day 2 | 813 | 893 | | Duty room night 1 | 6063 | 6072 | | Duty room night 2 | 369 | 369 | | Training set | 8799 | 10479 | | Validation set | 2933 | 3701 | | Test set | 2933 | 3674 | | Total number of samples | 14665 | 17854 |
|
查看原文
表 3第二阶段网络模型参数设置
Table3. Parameter setting of second-stage network model
| Parameter | Epoch 1-150 | Epoch 151-250 |
|---|
| Learning rate | 0.025 | 0.0125 | | Momentum | 0.9 | 0.9 | | Batch size | 80 | 80 |
|
查看原文
表 4不同算法在数据集上的定量比较
Table4. Quantitative comparison of different algorithms on dataset
| Algorithm | RMR | RAP /% |
|---|
| measurements | (RFPPI-RMR) /% | | | Ref. [3] | 37.38 | 57.32 | | Ref. [21] | 17.29 | 84.82 | | Ref. [18] | 28.84 | 75.52 | | Proposed | 14.66 | 87.34 |
|
查看原文
王霞, 张为. 基于联合学习的多视角室内人员检测网络[J]. 光学学报, 2019, 39(2): 0210002. Xia Wang, Wei Zhang. Multi-View Indoor Human Detection Neural Network Based on Joint Learning[J]. Acta Optica Sinica, 2019, 39(2): 0210002.
PDF全文
