原文服务方: 计算机应用研究       
摘要:
针对行人检测方法未能充分利用卷积网络浅层特征的问题,改进Faster R-CNN框架,提出了一种基于自适应特征卷积网络的行人检测方法.该方法有两处改进:a)设计了SFCM模块,用于提取卷积神经网络浅层细节特征;b)引用挤压与激励操作设计了AFCM模块,用于筛选检测所需的强辨识力行人特征.此外,利用公开的Caltech和INRIA行人数据集,通过在基准框架中逐一添加SFCM和AFCM模块训练行人检测器,验证了所提模块的有效性,并对比了主流行人检测算法.实验结果显示,所提方法的误检率分别降到了9.13%和9.46%,具有更优的检测性能.
推荐文章
基于自适应池化的行人检测方法
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
基于深度卷积神经网络的行人检测
行人检测
深度学习
卷积神经网络
特征提取
基于统一划分的特征自适应行人再识别方法
统一划分
行人再识别
深度学习
马氏距离
平均精度均值
基于深度模型的场景自适应行人检测
场景自适应
行人检测
深度结构
卷积神经网络
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于自适应特征卷积网络的行人检测方法
来源期刊 计算机应用研究 学科
关键词 行人检测 卷积神经网络 浅层细节特征 自适应特征
年,卷(期) 2020,(7) 所属期刊栏目 图形图像技术
研究方向 页码范围 2202-2205,2226
页数 5页 分类号 TP391.41
字数 语种 中文
DOI 10.19734/j.issn.1001-3695.2019.02.0032
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 王进 重庆邮电大学数据工程与可视计算重点实验室 50 202 8.0 12.0
2 陈乔松 重庆邮电大学数据工程与可视计算重点实验室 16 66 4.0 7.0
3 申发海 重庆邮电大学数据工程与可视计算重点实验室 4 2 1.0 1.0
4 弓攀豪 重庆邮电大学数据工程与可视计算重点实验室 1 0 0.0 0.0
5 陶亚 重庆邮电大学数据工程与可视计算重点实验室 1 0 0.0 0.0
6 董广县 重庆邮电大学数据工程与可视计算重点实验室 1 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (29)
共引文献  (39)
参考文献  (8)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(2)
  • 参考文献(0)
  • 二级参考文献(2)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2008(1)
  • 参考文献(0)
  • 二级参考文献(1)
2011(2)
  • 参考文献(0)
  • 二级参考文献(2)
2012(5)
  • 参考文献(1)
  • 二级参考文献(4)
2013(1)
  • 参考文献(0)
  • 二级参考文献(1)
2014(6)
  • 参考文献(2)
  • 二级参考文献(4)
2015(4)
  • 参考文献(0)
  • 二级参考文献(4)
2016(5)
  • 参考文献(0)
  • 二级参考文献(5)
2017(5)
  • 参考文献(1)
  • 二级参考文献(4)
2018(3)
  • 参考文献(3)
  • 二级参考文献(0)
2019(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
行人检测
卷积神经网络
浅层细节特征
自适应特征
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
总被引数(次)
238385
论文1v1指导