【ACMMM2020】小规模行人检测的自模拟学习

小规模行人的检测是行人检测中最具挑战性的问题之一。由于缺乏视觉细节，小规模行人的表征往往难以从杂乱的背景中分辨出来。在本文中，我们对小规模行人检测问题进行了深入的分析，发现小规模行人的弱表征是导致分类器漏检的主要原因。为了解决这一问题，我们提出了一种新的自模拟学习(SML)方法来提高对小规模行人的检测性能。我们通过模仿大规模行人的丰富表现来增强小规模行人的表现。具体来说，我们设计了一个模拟损失，迫使小规模行人的特征表征接近大规模行人的特征表征。所提议的SML是一个通用组件，可以很容易地合并到单级和两级检测器中，不需要额外的网络层，在推理期间不需要额外的计算成本。在cityperson和Caltech数据集上进行的广泛实验表明，经过模拟损失训练的检测器对小规模行人检测非常有效，并分别在cityperson和Caltech上取得了最好的结果。

https://cse.buffalo.edu/~jsyuan/papers/2020/SML.pdf