江苏龙网

  1. 首页 > 人文 > >

机器之心CVPR2020夜间行人检测挑战赛两冠一亚：DeepBlueAI获胜方案解读( 三 )


机器之心CVPR2020夜间行人检测挑战赛两冠一亚：DeepBlueAI获胜方案解读
本文插图
该团队发现 Pixel-level 的增强方式导致了性能结果大幅下降 ， 因此没有在这个方向继续尝试 。
而图像增强方式 Retinex ， 从视觉上看带来了图像增强 ， 但是该方法可能破坏了原有图片的结构信息 ， 导致最终结果没有提升 。
于是 ， 该团队最终选择了 Spatial-level 的增强方式 ， 使得结果有一定的提升 。
实验细节
1. 将 Cascade rcnn + DCN + FPN 作为 baseline；
2. 将原有 head 改为 Double head；
3. 将 CBNet 作为 backbone；
4. 使用 cascade rcnn COCO-Pretrained weight；
5. 数据增强；
6. 多尺度训练 + Testing tricks 。
实验结果
下图展示了该团队使用的方法在本地验证集上的结果：
机器之心CVPR2020夜间行人检测挑战赛两冠一亚：DeepBlueAI获胜方案解读
本文插图
该团队将今年的成绩与去年 ICCV 2019 同赛道冠军算法进行对比 ， 发现在不使用额外数据集的情况下 ， 去年单模型在 9 个尺度的融合下达到 11.06 ， 而该团队的算法在只用 2 个尺度的情况下就可以达到 10.49 。
未来工作
该团队虽然获得了不错的成绩 ， 但也基于已有的经验提出了一些未来工作方向：
1. 由于数据的特殊性 ， 该团队尝试使用一些增强方式来提高图片质量、亮度等属性 ， 使图片中的行人更易于检测 。 但结果证明这些增强方式可能破坏原有图片结构 ， 效果反而降低 。 该团队相信会有更好的夜间图像处理办法 ， 只是还需要更多研究和探索 。
2. 在允许使用之前帧信息的赛道二中 ， 该团队仅使用了一些简单的 IoU 信息 。 由于收集这个数据集的摄像头一直在移动 ， 该团队之前在类似的数据集上使用过一些 SOTA 的方法 ， 却没有取得好的效果 。 他们认为之后可以在如何利用时序帧信息方面进行深入的探索 。
3. 该领域存在大量白天行人检测的数据集 ， 因此该团队认为之后可以尝试 Domain Adaption 方向的方法 ， 以充分利用行人数据集 。
参考文献：
[1] Lin T Y , Dollár, Piotr, Girshick R , et al. Feature Pyramid Networks for Object Detection[J]. 2016.
[2] Dai J, Qi H, Xiong Y, et al. Deformable Convolutional Networks[J]. 2017.
[3] Cai Z , Vasconcelos N . Cascade R-CNN: Delving into High Quality Object Detection[J]. 2017.
[4] Xie S , Girshick R , Dollar P , et al. Aggregated Residual Transformations for Deep Neural Networks[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE Computer Society, 2017.
[5] Bochinski E , Eiselein V , Sikora T . High-Speed tracking-by-detection without using image information[C]// 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). IEEE, 2017.
[6] Henriques J F , Caseiro R , Martins P , et al. High-Speed Tracking with Kernelized Correlation Filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3):583-596.
[7] Song G , Liu Y , Wang X . Revisiting the Sibling Head in Object Detector[J]. 2020.
[8] Li A , Yang X , Zhang C . Rethinking Classification and Localization for Cascade R-CNN[J]. 2019.
[9] Wu, Y., Chen, Y., Yuan, L., Liu, Z., Wang, L., Li, H., & Fu, Y. (2019). Rethinking Classification and Localization in R-CNN. ArXiv, abs/1904.06493.
[10] Liu, Y., Wang, Y., Wang, S., Liang, T., Zhao, Q., Tang, Z., & Ling, H. (2020). CBNet: A Novel Composite Backbone Network Architecture for Object Detection. ArXiv, abs/1909.03625.


推荐阅读


上一篇：小白一键重装系统遇到win10开机慢如何解决

下一篇：德国华为迎来转机！还是德国人有眼光！