초록
본 논문에서는 보행자 검출 작업에 컨볼루션 신경망(convnets)의 사용을 연구합니다. 최근 다양한 성공을 거두었음에도 불구하고, 컨볼루션 신경망은 역사적으로 다른 보행자 검출기보다 성능이 떨어졌습니다. 우리는 문제를 네트워크에 명시적으로 모델링하는 것을 고의로 생략하고(예: 부분 모델링 또는 가림 현상 모델링), 복잡한 기법 없이도 경쟁력 있는 성능을 달성할 수 있음을 보여줍니다. 다양한 실험을 통해 작은 규모와 큰 규모의 컨볼루션 신경망, 그들의 구조적 선택, 매개변수, 그리고 다양한 학습 데이터의 영향을 분석합니다. 이는 대체 작업(pre-training on surrogate tasks)에서의 사전 학습도 포함됩니다.우리는 Caltech 및 KITTI 데이터셋에서 최고의 컨볼루션 신경망 검출기를 제시합니다. Caltech 데이터셋에서 우리의 컨볼루션 신경망은 Caltech1x와 Caltech10x 학습 설정 모두에서 최상의 성능을 보입니다. 추가적인 학습 데이터를 사용함으로써, 우리의 가장 강력한 컨볼루션 신경망 모델은 테스트 시점에서도 추가 데이터(광학 흐름)를 사용하는 검출기들과 비교해도 경쟁력을 유지합니다.