[论文解读] Efficient pedestrian detection by directly optimize the partial area under the ROC curve

Sakrapee Paisitkriangkrai, Chunhua Shen+1 more|arXiv (Cornell University)|Oct 3, 2013

Video Surveillance and Tracking Methods参考文献 3被引用 6

一句话总结

本文提出 pAUCEns，一种新型集成学习方法，可直接在用户定义的假阳性率范围内优化受试者工作特征曲线下部分面积（pAUC），从而实现更有效的行人检测。通过利用结构化学习来优先处理排序错误的正负样本对，该方法在标准基准上实现了最先进性能，且特征工程需求极低，在 INRIA 测试集上相比基线 HOG+COV AdaBoost 方法将平均漏检率降低了 7%。

ABSTRACT

Many typical applications of object detection operate within a prescribed false-positive range. In this situation the performance of a detector should be assessed on the basis of the area under the ROC curve over that range, rather than over the full curve, as the performance outside the range is irrelevant. This measure is labelled as the partial area under the ROC curve (pAUC). Effective cascade-based classification, for example, depends on training node classifiers that achieve the maximal detection rate at a moderate false positive rate, e.g., around 40% to 50%. We propose a novel ensemble learning method which achieves a maximal detection rate at a user-defined range of false positive rates by directly optimizing the partial AUC using structured learning. By optimizing for different ranges of false positive rates, the proposed method can be used to train either a single strong classifier or a node classifier forming part of a cascade classifier. Experimental results on both synthetic and real-world data sets demonstrate the effectiveness of our approach, and we show that it is possible to train state-of-the-art pedestrian detectors using the proposed structured ensemble learning method.

研究动机与目标

• 为解决标准分类器不针对实际性能指标（如 pAUC）进行优化的局限性，而 pAUC 在假阳性预算受限的实际应用中至关重要。
• 开发一种系统性且高效的集成学习方法，直接在用户定义的假阳性率范围 [α, β] 内优化 pAUC，而非依赖启发式或交叉验证的参数。
• 通过在相关假阳性率范围内直接优化 pAUC，实现高精度级联检测器的训练，其中每个节点需在中等假阳性率（例如 ~50%）下实现高检测率。
• 证明仅使用 HOG 和 COV 特征的简单检测器，若采用 pAUC 优化的学习方法，亦可实现最先进性能。

提出的方法

• 该方法采用结构化学习，在指定的假阳性率范围 [α, β] 内优化部分 AUC 分数，将优化问题视为结构化预测问题。
• 在每次提升迭代中，算法根据其排序误差重新加权训练样本——特别是将正样本被排在负样本之下的样本优先处理。
• 优化过程使用列生成算法求解结构化 SVM 的对偶问题，高效地在用户定义的假阳性率范围内最大化 pAUC 分数。
• 该方法与标准提升流水线兼容，可轻松应用于训练单一强分类器或级联检测器中的各个节点分类器，且仅需极少代码修改。
• 该方法避免了如 Asymmetric AdaBoost 或 Cost-Sensitive AdaBoost 中常见的对称参数手动调优问题，通过直接优化期望性能指标实现。

实验结果

研究问题

• RQ1 能否设计一种学习方法，直接在用户定义的假阳性率范围内优化部分 AUC 分数，而非依赖间接或启发式优化？
• RQ2 与标准提升方法及非对称提升方法相比，直接 pAUC 优化在行人检测基准上的检测性能如何？
• RQ3 仅使用 HOG 和 COV 特征的简单检测器，在采用 pAUC 优化学习方法训练后，能否实现最先进性能？
• RQ4 所提出方法是否能在低假阳性率区间（例如 FPPI < 0.1）实现更优性能，这在实际应用中至关重要？

主要发现

• 在 INRIA 测试集上，当在 FPPI 范围 [0, 0.1] 内优化 pAUC 时，所提出的 pAUCEns 方法相比基线 HOG+COV AdaBoost 分类器将平均漏检率降低了 7%。
• 在 TUD-Brussels 和 ETH 测试集上，该方法在部分 AUC 分数上与最先进检测器（包括 LatSvm 和基于 ConvNet 的方法）相当或更优，尤其在大尺寸行人检测场景（≥100 像素高）中表现突出。
• 在 FPPI 范围 [0, 0.1] 内，该方法在 INRIA-Fixed 数据集上达到 89.4% 的 pAUC，在 TUD-Brussels 数据集上达到 97.8% 的 pAUC，显著优于该关键低 FPPI 区域内的大多数竞争方法。
• 在中等尺寸行人检测场景（30–80 像素高）中，该方法在 INRIA-Fixed 数据集上达到 89.6% 的 pAUC，优于除最先进模型外的所有方法，展现出跨尺度的鲁棒性。
• 该方法高效且仅需极少代码修改即可集成到现有基于提升的检测流水线中，具有实际部署的可行性。