Détection d'objets bout-en-bout progressive dans des scènes surpeuplées

Dans cet article, nous proposons un nouveau cadre de détection basé sur des requêtes pour la détection de foules. Les détecteurs précédents basés sur des requêtes souffrent de deux inconvénients principaux : d'une part, plusieurs prédictions peuvent être générées pour une même entité, particulièrement dans les scènes surpeuplées ; d'autre part, leurs performances se stabilisent lorsque la profondeur de la phase de décodage augmente. Grâce à la nature de la règle d’attribution un-à-un des étiquettes, nous proposons une méthode progressive de prédiction pour résoudre ces problèmes. Plus précisément, nous sélectionnons d’abord les requêtes acceptées susceptibles de produire des prédictions positives vraies, puis nous affinons les requêtes bruitées restantes à partir des prédictions précédemment acceptées. Les expériences montrent que notre méthode permet d’améliorer significativement les performances des détecteurs basés sur des requêtes dans les scènes surpeuplées. En combinant notre approche, Sparse RCNN atteint 92,0 % de $\text{AP}$, 41,4 % de $\text{MR}^{-2}$ et 83,2 % de $\text{JI}$ sur le défi CrowdHuman \cite{shao2018crowdhuman}, surpassant ainsi la méthode basée sur les boîtes MIP \cite{chu2020detection}, qui se distingue particulièrement dans la gestion des scènes très densément peuplées. De plus, la méthode proposée, robuste à la densité de foule, permet également d’obtenir des améliorations constantes sur des jeux de données modérément ou légèrement surpeuplés tels que CityPersons \cite{zhang2017citypersons} et COCO \cite{lin2014microsoft}. Le code source sera rendu publiquement disponible à l’adresse suivante : https://github.com/megvii-model/Iter-E2EDET.