Paper Reading: High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection

Paper Reading Note

URL:
https://arxiv.org/pdf/1904.02948v1.pdf

TL;DR

本篇文章采用anchor-free的方法解决目标检测的问题。
作者认为可以用中心点和尺度这种high-level语义特征代替边缘、blob等low-level语义特征。

Algorithm

模型框架如下：

该算法主要分为Feature Extraction模块和Detection Head模块。
在Feature Extraction模块，作者采用的是Resnet-50(Pretrained on ImageNet)，为了融合位置特征和语义特征，模型把每一个stage进行L2正则及反卷积后进行融合。
在Detection Head模块，作者使用256个33的卷积和分离的两个11卷积分别生成了Center Heatmap和Scale Map。

Loss Function

由于无法确定完全正确的中心点，作者用了Gaussian mask替代：


对于尺度的定义，采用了平滑L1 loss：

最后把Loss加权求和，权重由作者手动设定：

Experiment Detail

作者首先针对模型的选择参数进行了实验，最终发现选取后三层stage进行融合效果最好。
下面是与state-of-the-art模型比较的结果：
Caltech上

CityPerson上

效果基本都超过了现有方法。

Thoughts

该篇模型简单清晰，而且效果拔群。另外作者说会在不久后将代码开源，现有的github上有文档，但是代码还没有开源https://github.com/liuwei16/CSP。
还有就是行人检测的尺度是基本固定的，如果用到其他物体检测是否会产生偏差。