[论文解读] Pedestrian Detection: The Elephant In The Room

Irtiza Hasan, Shengcai Liao+3 more|arXiv (Cornell University)|Mar 19, 2020

Advanced Neural Network Applications参考文献 35被引用 19

一句话总结

该论文识别出当前最先进的人行检测器在不同数据集间存在泛化性能差的问题，归因于在密集且有限的训练数据上过拟合。本文提出一种渐进式训练流程，利用多样化、网络爬取的数据集进行预训练，在无需测试集微调的情况下，于CityPersons数据集（MR^2提升1.3%/1.7%）和Caltech数据集（MR^2提升1.8%/14.9%）上实现了新的SOTA性能。

ABSTRACT

Pedestrian detection is used in many vision based applications ranging from video surveillance to autonomous driving. Despite achieving high performance, it is still largely unknown how well existing detectors generalize to unseen data. To this end, we conduct a comprehensive study in this paper, using a general principle of direct cross-dataset evaluation. Through this study, we find that existing state-of-the-art pedestrian detectors generalize poorly from one dataset to another. We demonstrate that there are two reasons for this trend. Firstly, they over-fit on popular datasets in a traditional single-dataset training and test pipeline. Secondly, the training source is generally not dense in pedestrians and diverse in scenarios. Accordingly, through experiments we find that a general purpose object detector works better in direct cross-dataset evaluation compared with state-of-the-art pedestrian detectors and we illustrate that diverse and dense datasets, collected by crawling the web, serve to be an efficient source of pre-training for pedestrian detection. Furthermore, we find that a progressive training pipeline works good for autonomous driving oriented detector. We improve upon previous state-of-the-art on reasonable/heavy subsets of CityPersons dataset by 1.3%/1.7% and on Caltech by 1.8%/14.9% in terms of log average miss rate (MR^2) points without any fine-tuning on the test set. Detector trained through proposed pipeline achieves top rank at the leaderborads of CityPersons [42] and ECP [4]. Code and models can be accessed at this https URL.

研究动机与目标

• 调查当前最先进行人检测器在不同数据集间的泛化性能表现。
• 识别现有行人检测模型泛化性能差的根本原因。
• 评估多样化、网络爬取数据集作为行人检测预训练数据源的有效性。
• 设计并验证一种渐进式训练流程，以提升检测器在面向自动驾驶任务的基准上的性能。

提出的方法

• 通过直接的跨数据集评估，衡量在多个行人检测基准上的泛化性能。
• 利用网络爬取技术收集多样化、密集的行人图像用于预训练，提升数据的多样性与覆盖范围。
• 实施一种渐进式训练流程，逐步将检测器适应到下游任务，增强其鲁棒性。
• 在目标数据集上进行微调前，先在收集到的网络数据上训练通用目标检测器，避免对测试集进行适应。
• 使用标准指标（如对数平均漏检率，MR^2）与现有SOTA行人检测器进行性能对比。

实验结果

研究问题

• RQ1 为何当前最先进行人检测器在不同数据集间泛化性能差？
• RQ2 对主流数据集的过拟合在多大程度上限制了检测器的泛化能力？
• RQ3 多样化、网络爬取的数据集能否提升行人检测的泛化性能？
• RQ4 渐进式训练流程是否能提升在面向自动驾驶任务基准上的检测性能？
• RQ5 在跨数据集评估中，基于网络爬取数据的预训练与传统标准数据集上的训练相比，表现如何？

主要发现

• 当前最先进行人检测器在不同数据集间泛化性能差，主要归因于在有限且缺乏多样性的训练数据上过拟合。
• 在直接的跨数据集评估中，使用多样化网络爬取数据预训练的通用目标检测器，其性能优于专门设计的行人检测器。
• 所提出的渐进式训练流程在CityPersons数据集上，将对数平均漏检率（MR^2）分别提升了1.3%（合理子集）和1.7%（高难度子集）。
• 在Caltech数据集上，该方法在合理子集上实现MR^2提升1.8%，在高难度子集上提升14.9%。
• 采用该方法训练的检测器在CityPersons和ECP排行榜上均取得最高排名，且无需任何测试集微调。