Dataset Optimization for Real-Time Pedestrian Detection - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Article Dans Une Revue IEEE Access Année : 2017

Dataset Optimization for Real-Time Pedestrian Detection

Optimisation de Base de Donnée pour la Détection de Piétons temps-réel

Résumé

This paper tackles data selection for training set generation in the context of near real-time pedestrian detection through the introduction of a training methodology: FairTrain. After highlighting the impact of poorly chosen data on detector performance, we will introduce a new data selection technique utilizing the expectation-maximization algorithm for data weighting. FairTrain also features a version of the cascade-of-rejectors enhanced with data selection principles. Experiments on the INRIA and PETS2009 datasets prove that, when ne trained, a simple HoG- based detector can perform on par with most of its near real-time competitors.
Ce document traite de la sélection de données pour la génération de l’ensemble d’entraînement dans le contexte de la détection des piétons en temps-réel grâce a l’introduction d’une méthodologie: FairTrain. Après avoir souligné l’impact des données mal choisies sur les performances des détecteurs, nous allons présenter une nouvelle technique de sélection de données pondéré par l’algorithme d’expectation-maximization. FairTrain propose également une version de cascade-de-rejecteurs améliorée avec des principes de sélection de données. Les expériences sur les bases de données INRIA et Caltech prouvent que, lorsqu’ils sont bien formés, un simple détecteur basé sur des HoGs fonctionne aussi bien que ses concurrents temps-réel.
Fichier principal
Vignette du fichier
RR - 9084.pdf (1.05 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01566517 , version 1 (01-08-2017)

Identifiants

Citer

Remi Trichet, Francois Bremond. Dataset Optimization for Real-Time Pedestrian Detection. IEEE Access, 2017, pp.15. ⟨10.1109/ACCESS.2017.2788058⟩. ⟨hal-01566517⟩
244 Consultations
823 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More