[논문]Refinement Module 기반 Three-Scale 보행자 검출 기법

정경민; 박수용; 이현

doi:10.14372/iemek.2023.18.5.259

Refinement Module 기반 Three-Scale 보행자 검출 기법
A Three-scale Pedestrian Detection Method based on Refinement Module 원문보기

대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.18 no.5, 2023년, pp.259 - 265

정경민 (Sunmoon University) , 박수용 (University of Rochester) , 이현 (Sunmoon University)

Abstract ▼ AI-Helper

Pedestrian detection is used to effectively detect pedestrians in various situations based on deep learning. Pedestrian detection has difficulty detecting pedestrians due to problems such as camera performance, pedestrian description, height, and occlusion. Even in the same pedestrian, performance in detecting them can differ according to the height of the pedestrian. The height of general pedestrians encompasses various scales, such as those of infants, adolescents, and adults, so when the model is applied to one group, the extraction of data becomes inaccurate. Therefore, this study proposed a pedestrian detection method that fine-tunes the pedestrian area by Refining Layer and Feature Concatenation to consider various heights of pedestrians. Through this, the score and location value for the pedestrian area were finely adjusted. Experiments on four types of test data demonstrate that the proposed model achieves 2-5% higher average precision (AP) compared to Faster R-CNN and DRPN.

주제어

표/그림 (11)

그림 그림 1. SAF R-CNN의 흐름도 Fig. 1. Flowchart of SAF R-CNN
그림 그림 2. RF R-CNN과 Faster R-CNN의 동작 구조 Fig. 2. RF R-CNN and Faster R-CNN Operational Structure
그림 그림 3. DRPN, TRPN 각 모델에 대한 Scale 구분법에 따른 보행자 크기 구분 Fig. 3. Pedestrian size classification by scale classification for DRPN and TRPN models
그림 그림 4. Feature Concatenation과 Refining Layer의 결합을 통한 미세조정 모듈의 전체 구조 Fig. 4. Overall structure of fine-tuning module by combining Feature Concatenation and Refining Layer 그림 5. 본 논문에서 제안하는 구조
그림 그림 5. 본 논문에서 제안하는 구조 Fig. 5. the structure proposed in this paper
그림 그림 6. Medium-Scale의 170 ~ 190 사이의 값에 대한 분포도 Fig. 6. A distribution diagram of a medium scale for values 170-190
표 표 1. 학습데이터 PASCAL VOC 2007/2012 대한 평균 가중치, 높이 값의 결과 Table 1. Average Weight, Height Results for Learned Data PASCAL VOC 2007/2012
표 표 2. TRPN의 각 Scale에 해당하는 높이의 평균, 최소 최대값 Table 2. Average, minimum and maximum height for each scale of TRPN
표 표 3. PASCAL VOC 2007/2012 데이터셋을 통하여 Threshold를 구분 한 후 학습한 결과 Table 3. Results learned after distinguishing Threshold through the PASCAL VOC 2007/2012 dataset
표 표 4. 세가지 모델에서 사용한 데이터셋에 대한 세부 정보 Table 4. Details on the datasets used by the three models
표 표 5. 세가지 모델에대해네 가지 데이터셋의 AP 평가를 진행한 결과 Table 5. Based on AP evaluations of four datasets on three models

참고문헌 (18)

K. He, X. Zhang, S. Ren, J. Sun, "Deep Residual？Learning for Image Recognition," Proceedings of the？IEEE Conference on Computer Vision and Pattern？Recognition. pp. 770-778, 2016.
Z. Zou, K. Chen, Z. Shi, Y. Guo, J. Ye, "Object？Detection in 20 years: A Survey," arXiv preprint？arXiv:1905.05055, 2019.
J. Li, X. Liang, S. M. Shen, T. Xu, J. Feng, S. Yan,？"Scale-aware Fast R-CNN for Pedestrian Detection,"？IEEE Transactions on Multimedia, Vol. 20. No. 4, pp.？985-996, 2017.
S. H. Song, H. B. Hyeon, H. Lee, "A Pedestrian？Detection Method using Deep Neural Network," Journal？of KIISE, Vol. 44, No. 1, pp. 44-50, 2017.
M. C. Roh, J. Lee, "Refining Faster-RCNN for Accurate？Object Detection," 2017 Fifteenth IAPR International？Conference on Machine Vision Applications (MVA).？IEEE, pp. 514-517, 2017.
O. Ronneberger, P. Fischer, T. Brox, "U-net:？Convolutional Networks for Biomedical Image？Segmentation," Medical Image Computing and？Computer-Assisted Intervention-MICCAI 2015: 18th？International Conference, Proceedings, Part III 18, pp.？234-241, Springer International Publishing, 2015.
K. He, X. Zhang, S. Ren, J. Sun, "Deep Residual？Learning for Image Recognition," Proceedings of the？IEEE Conference on Computer Vision and Pattern？Recognition, pp. 770-778, 2016.
S. Ren, K. He, R. Girshick, J. Sun. "Faster R-cnn:？Towards Real-time Object Detection with Region？Proposal Networks," Advances in Neural Information？Processing Systems 28, pp. 91-99, 2015.
P. Dollar, C. Wojek, B. Schiele, P. Perona, "Pedestrian？Detection: A Benchmark," 2009 IEEE Conference on？Computer Vision and Pattern Recognition. IEEE, pp.？304-311, 2009.
R. Girshick. "Fast r-cnn," arXiv Preprint, 2015.
R. Girshick, J. Donahue, T. Darrell, "Rich Feature？Hierarchies for Accurate Object Detection and Semantic？Segmentation," Proceedings of the IEEE Conference？on Computer Vision and Pattern Recognition, pp.？580-587, 2014.
K. Simonyan, A. Zisserman, "Very Deep Convolutional？Networks for Large-Scale Image Recognition," arXiv？preprint 1409.1556. 2014.
M. Everingham, L. Van Gool, C. K. I. Williams, J.？Winn, A. Zisserman, "The Pascal Visual Object Classes？(voc) Challenge," International Journal of Computer？Vision 88.2, pp. 303-338, 2010.
N. Dalal, B. Triggs, "Histograms of Oriented Gradients？for Human Detection," 2005 IEEE Computer Society？Conference on Computer Vision and Pattern？Recognition (CVPR'05), Vol. 1, pp. 886-893, 2005.
A. Ess, B. Leibe, L. Van Gool, "Depth and Appearance？for Mobile Scene Analysis," 2007 IEEE 11th？International Conference on Computer Vision. IEEE, pp.？1-8, 2007.
A. Ess, B. Leibe, K. Schindler, L. Van Gool, "A Mobile？Vision System for Robust Multi-person Tracking,"？2008 IEEE Conference on Computer Vision and Pattern？Recognition. IEEE, pp. 1-8, 2008.
A. Geiger, P. Lenz, R. Urtasun, "Are we Ready for？Autonomous Driving? the Kitti Vision Benchmark？Suite," 2012 IEEE Conference on Computer Vision and？Pattern Recognition. IEEE, pp. 3354-3361, 2012.
S. Ruder, "An Overview of Gradient Descent？Optimization Algorithms," arXiv preprint？arXiv:1609.04747 (2016).

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증