[论文解读] Local Decorrelation For Improved Detection

Woonhyun Nam, Piotr Dollár+1 more|arXiv (Cornell University)|Jun 4, 2014

Advanced Neural Network Applications参考文献 29被引用 57

一句话总结

该论文提出局部通道特征去相关（LDCF）方法，通过在小邻域内对图像特征进行局部空间自适应特征变换，实现去相关，再将处理后的特征输入正交决策树。通过用高效的正交树替代计算成本较高的倾斜树，LDCF在Caltech行人数据集上将误报率降低近十倍，实现24.9%的对数平均漏检率，显著优于先前的最先进方法。

ABSTRACT

Even with the advent of more sophisticated, data-hungry methods, boosted decision trees remain extraordinarily successful for fast rigid object detection, achieving top accuracy on numerous datasets. While effective, most boosted detectors use decision trees with orthogonal (single feature) splits, and the topology of the resulting decision boundary may not be well matched to the natural topology of the data. Given highly correlated data, decision trees with oblique (multiple feature) splits can be effective. Use of oblique splits, however, comes at considerable computational expense. Inspired by recent work on discriminative decorrelation of HOG features, we instead propose an efficient feature transform that removes correlations in local neighborhoods. The result is an overcomplete but locally decorrelated representation ideally suited for use with orthogonal decision trees. In fact, orthogonal trees with our locally decorrelated features outperform oblique trees trained over the original features at a fraction of the computational cost. The overall improvement in accuracy is dramatic: on the Caltech Pedestrian Dataset, we reduce false positives nearly tenfold over the previous state-of-the-art.

研究动机与目标

• 在不增加计算成本的前提下，提升提升增强决策树检测器在行人检测任务中的性能。
• 通过使正交决策树能够建模复杂决策边界，解决其在处理高度相关特征时的局限性。
• 通过局部特征去相关变换，用高效的正交树替代昂贵的倾斜树。
• 证明局部去相关可使正交树在相关数据上达到或超越倾斜树的性能表现。

提出的方法

• 使用从自然图像块中学习到的固定滤波器组，对局部图像邻域中的空间相关性进行局部去相关变换。
• 对每个特征通道（如HOG、颜色、梯度）独立执行去相关，保留各通道的特定统计特性。
• 将得到的过完备且局部去相关的特征输入标准正交（轴对齐）决策树，在提升框架中进行训练。
• 使用RealBoost训练检测器，增加树的深度（最高至5层），并采用更密集的训练数据采样（每4帧采样一次），以增强模型容量。
• 预先从自然图像数据集中计算一次去相关滤波器组，通过卷积操作实现快速推理。
• 通过极少的代码修改，将LDCF变换集成到标准ACF（聚合通道特征）检测器流程中。

实验结果

研究问题

• RQ1 对图像特征进行局部去相关，能否提升正交决策树在行人检测中的性能？
• RQ2 在局部去相关的特征上用正交树替代倾斜树，是否能在更低计算成本下实现相当或更优的准确率？
• RQ3 局部去相关在多大程度上提升了泛化能力，并使决策边界更好地匹配数据本身的拓扑结构？
• RQ4 与SOTA检测器相比，该方法是否能在Caltech等基准数据集上显著降低误报率？

主要发现

• LDCF将Caltech行人数据集上的对数平均漏检率降低至24.9%，相比之前SOTA方法，误报率近乎降低十倍。
• 通过结合更深的树结构和更密集的采样策略，LDCF在ACF-Caltech+基线（29.8%漏检率）基础上实现5%的漏检率改进，同时引入局部去相关。
• 在局部去相关特征上训练的正交决策树，性能优于在原始特征上训练的倾斜树，尽管后者计算成本更高。
• 局部去相关带来的性能增益显著且独立于模型容量的提升，这一结论通过相同模型架构的消融实验得到验证。
• 在INRIA数据集上，LDCF表现具有竞争力，以41.7%的漏检率并列第二，较基线ACF提升4.5个百分点。
• 局部去相关变换高效且具备良好的泛化能力，仅需对现有ACF检测器进行少量代码修改即可集成。