تشخیص عابر پیاده با استفاده از روش مقیاس آگاه

روش SAF R-CNN ، تابع گیت را به منظور دستیابی دقیق به مقیاس های مختلف بکار می برد: درصورتی که ورودی دارای اندازه بزرگ باشد، وزن بیشتری را برای زیرشبکه با اندازه بزرگ اختصاص می دهد. در غیر این صورت ، وزن کمتری را برای زیر شبکه دارای اندازه کوچک ایجاد می کند. این مکانیسم وزن دهی مقیاس آگاه می تواند به عنوان فعال سازی آرام برای دو زیر شبکه تلقی شود ، و نتایج نهایی نیز با بکارگیری زیرشبکه مناسب برای ورودی دارای مقیاس خاص تعیین شود. بنابراین، SAF R-CNN می تواند عملکرد جامع تر و بهینه تری در زمینه تشخیص عابرپیاده در طیف های گسترده ای از مقیاس های ورودی را ارائه دهد. علاوه بر این ، از آنجا که روش SAF RCNN ویژگی های کانولوشن را برای کل تصویر با طرح های مختلف شیء به اشتراک می گذارد، از نقطه نظرهای زمان آموزش و آزمایش نیز بسیار کارآمد است. به طور خلاصه ، در این روش، کارهای زیر انجام می شود. در مرحله اول ، یک مدل جدید R-CNN سریع مقیاس آگاه را برای تشخیص عابر پیاده با ترکیب زیرشبکه اندازه بزرگ و زیرشبکه اندازه کوچک در یک مدل یکپارچه با بهره گیری از نظریه تقسیم غالب - پیشنهاد می گردد. در مرحله دوم ، یک مکانیزم وزن دهی مقیاس آگاه برای افزایش سهم هر زیر شبکه تخصصی برای مقیاس تصویر ورودی و تقویت عملکرد تشخیص نهایی در دامنه گسترده ای از مقیاس تصویر ورودی را پیشنهاد می کنیم. سوم ، آزمایش های گسترده نشان می دهد که روش SAF R-CNN عملکرد قابل توجهی را نسبت به روش های دقیق موجود در مجموعه داده های چالش برانگیز Caltech ارائه می دهد.

کلیدواژه ها:

تشخیص عابر پیاده ، مکانیسم وزنه دهی مقیاس آگاه ، شبکه کانولوشن