Key points are not available for this paper at this time.
مكنت الشبكات العصبية التلافيفية (CNN) تحسينات كبيرة في كشف المشاة بفضل القدرة القوية على تمثيل ميزات CNN. ومع ذلك، من الصعب عمومًا تقليل الإيجابيات الكاذبة على العينات السلبية الصعبة مثل أوراق الأشجار، وإشارات المرور، والأعمدة، وما إلى ذلك. يمكن إزالة بعض هذه العينات السلبية الصعبة من خلال استخدام إشارات الرؤية الدلالية عالية المستوى. في هذه الورقة، نقترح طريقة تعتمد على CNN تستفيد من الإشارات الدلالية لتحسين كشف المشاة. تمتد طريقتنا إطار عمل كشف Faster R-CNN من خلال إضافة فرع من الشبكة لتقسيم الصور بشكل دلالي. تهدف الشبكة الدلالية إلى حساب ميزات دلالية تكملية عالية المستوى ليتم دمجها مع الميزات التلافيفية. نحن نستخدم خرائط ميزات متعددة الدقة المستخرجة من طبقات الشبكة المختلفة لضمان دقة كشف جيدة للمشاة على مقاييس مختلفة. يتم استخدام غابة معززة لتدريب الميزات المدمجة بطريقة متسلسلة لاستخراج السلبيات الصعبة. تظهر التجارب على مجموعة بيانات المشاة في كالتيك تحسينات في دقة الكشف باستخدام الشبكة الدلالية. باستخدام نموذج VGG16 العميق، تحقق طريقتنا في كشف المشاة أداءً قويًا على مجموعة بيانات كالتيك.
درس ليو وآخرون (Fri،) هذا السؤال.