基于自适应池化的行人检测方法
基于卷积神经网络的行人检测器普遍采用图像识别网络,通常会引起多池化层导致小目标行人特征信息丢失、单一池化方法导致行人局部重要特征信息削弱甚至丢失等,针对以上问题,基于最大值池化和平均值池化方法,提出了一种自适应池化方法,结合通用目标检测器Faster R-CNN,形成了有效的行人检测器,达到增强行人局部重要特征信息、保留小目标行人有效特征信息的目的.对多个公开的行人数据集进行大量实验,结果表明,与传统的卷积神经网络行人检测器相比,所提方法将行人检测漏检率降低了2%~3%,验证了方法的有效性.新方法改进了卷积神经网络结构,在无人驾驶领域具有一定的参考价值.
计算机神经网络、卷积神经网络、行人检测、图像识别、自适应池化、Faster R-CNN
40
TP183(自动化基础理论)
贵州省发改委重点项目0502213V0002;贵州省科学技术基金[2016]1036;贵州省科技创新人才队伍项目[2018]5615
2020-01-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
533-539