Lernen effizienter Ein-Stufen-Personenerkennungssysteme durch asymptotische Lokalisierungsanpassung

Obwohl zwei-stufige Detektoren auf Basis von Faster R-CNN erhebliche Fortschritte bei der Genauigkeit der Personenerkennung erzielt haben, sind sie weiterhin zu langsam für praktische Anwendungen. Eine mögliche Lösung besteht darin, diesen Arbeitsablauf zu vereinfachen und als einstufige Detektion zu implementieren. Allerdings haben derzeitige einstufige Detektoren (z. B. SSD) auf gängigen Benchmarks für Personenerkennung keine konkurrenzfähige Genauigkeit erreicht. In dieser Arbeit wird ein erfolgreicher Personen-Detektor angestrebt, der die Geschwindigkeit von SSD beibehält, gleichzeitig aber die Genauigkeit von Faster R-CNN erreicht. Konkret wird ein strukturell einfaches, jedoch wirksames Modul namens Asymptotic Localization Fitting (ALF) vorgeschlagen, das eine Reihe von Vorhersagern verwendet, um die vorgegebenen Anchor-Boxen von SSD schrittweise direkt in verbesserte Detektionsergebnisse zu transformieren. Dadurch profitieren während des Trainings die nachfolgenden Vorhersager von mehr und höherwertigen positiven Beispielen, während zugleich immer anspruchsvollere negative Beispiele mit steigenden IoU-Schwellenwerten identifiziert werden können. Auf dieser Grundlage wird eine effiziente einstufige Architektur für die Personenerkennung (bezeichnet als ALFNet) entworfen, die eine state-of-the-art Leistung auf den beiden größten Benchmarks für Personenerkennung, CityPersons und Caltech, erzielt und somit einen äußerst attraktiven Detektor sowohl hinsichtlich Genauigkeit als auch Geschwindigkeit darstellt. Der Quellcode ist verfügbar unter: \href{https://github.com/VideoObjectSearch/ALFNet}{https://github.com/VideoObjectSearch/ALFNet}.