摘要
行人检测近年来得益于深度学习技术的发展而取得了快速进步。大多数检测器遵循通用目标检测框架，即采用默认框（default boxes）并采用两阶段检测流程。近年来，无锚框（anchor-free）和单阶段检测器被引入该领域，但其检测精度仍不尽如人意。为同时兼顾无锚框检测器的简洁性与两阶段检测器的高精度优势，本文基于中心点与尺度预测检测器（Center and Scale Prediction, CSP）提出了一系列改进方法。本文的主要贡献如下：（1）我们提升了CSP检测器的鲁棒性，使其训练更加稳定和简便；（2）提出一种新颖的宽度预测方法，称为“压缩宽度”（compressing width），有效提升了定位精度；（3）在CityPersons基准测试中取得了仅次于最优方法的优异性能，具体表现为在合理设置（reasonable set）上达到9.3%的对数平均漏检率（log-average miss rate, MR），在部分遮挡设置（partial set）上为8.7% MR，在裸露状态设置（bare set）上为5.6% MR，充分证明了无锚框且单阶段的检测器同样具备高精度潜力；（4）探索了可切换归一化（Switchable Normalization）在实际应用中未被原论文提及的若干潜在能力，拓展了其在行人检测任务中的适用性。