Fused DNN : Une approche de fusion de réseaux neuronaux profonds pour une détection rapide et robuste des piétons

Nous proposons une architecture de fusion de réseaux neuronaux profonds pour la détection rapide et robuste des piétons. L'architecture de fusion de réseaux proposée permet le traitement parallèle de plusieurs réseaux afin d'accélérer les performances. Un réseau convolutif profond à détection unique est formé pour générer l'ensemble des candidats piétons possibles, de différentes tailles et avec différents niveaux d'occlusion. Ce réseau produit une grande variété de candidats piétons, couvrant la majorité des piétons réels, tout en introduisant un grand nombre de faux positifs. Ensuite, plusieurs réseaux neuronaux profonds sont utilisés en parallèle pour affiner davantage ces candidats piétons. Nous introduisons une méthode de fusion de réseaux basée sur le rejet doux, qui combine les métriques douces provenant de tous les réseaux pour générer les scores de confiance finaux. Notre méthode surpasses les méthodes existantes, notamment dans la détection des piétons de petite taille et partiellement occultés. De plus, nous proposons une méthode d'intégration d'un réseau de segmentation sémantique au niveau des pixels dans l'architecture de fusion des réseaux, afin d'améliorer la performance du détecteur de piétons. Cette approche dépasse les méthodes actuelles sur la plupart des protocoles du jeu de données Caltech Pedestrian (Caltech Piéton), avec des améliorations significatives sur plusieurs protocoles. Elle est également plus rapide que toutes les autres méthodes.