تعلم التصاعدات الواعية بالتعقيد للكشف العميق عن الأشخاص المشاة

يُعتبر تصميم المكتشفات المتسلسلة الواعية للتعقيد، التي تجمع بين خصائص ذات تعقيدات مختلفة جدًا، من المواضيع المهمة. تم تقديم إجراء جديد لتصميم التسلسل، وذلك بوضع عملية تعلم التسلسل كتحسين لاغرانجي لمخاطرة تأخذ في الحسبان الدقة والتعقيد معًا. ثم تم اشتقاق خوارزمية تعزيز، والتي أُطلق عليها اسم التدريب المتسلسل الواعي للتعقيد (CompACT)، لحل هذه المسألة التحسينية. أظهرت المكتشفات المتسلسلة CompACT أنها تسعى لتحقيق توازن مثالي بين الدقة والتعقيد عن طريق دفع الخصائص الأكثر تعقيدًا إلى مراحل التسلسل اللاحقة، حيث يبقى فقط عدد قليل من الأجزاء المرشحة الصعبة لتتم تصنيفها. هذا يمكّن من استخدام خصائص ذات تعقيدات متفاوتة بشكل كبير في مكتشف واحد. نتيجة لذلك، يمكن توسيع مجموعة الخصائص لتشمل خصائص كانت سابقًا غير عملية لتصميم التسلسل، مثل استجابات الشبكة العصبية التجاوزية العميقة (CNN). يتم توضيح ذلك من خلال تصميم مكتشف المشاة باستخدام مجموعة من الخصائص التي تتراوح تعقيدها بمقدار عدة درجات. يعمم التسلسل الناتج الجمع بين شبكة CNN وآلية اقتراح الكائن: بدلاً من مرحلة ما قبل المعالجة، يتم دمج شبكات CNN بسلاسة في مراحل التسلسل CompACT. هذا يمكّن من تحقيق أداء رائد على مجموعتي البيانات Caltech و KITTI، وبسرعات معقولة نسبيًا.