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.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...