基于迁移学习的行人检测研究进展

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (24): 156-163.

基于迁移学习的行人检测研究进展

邵松1，2，刘宏1，2，王向东1，2，钱跃良1，2

1.中国科学院计算技术研究所普适计算研究中心，北京 100190
2.中国科学院计算技术研究所移动计算与新型终端北京市重点实验室，北京 100190

出版日期:2014-12-15 发布日期:2014-12-12

Review of pedestrian detection based on transfer learning

SHAO Song1，2, LIU Hong1，2, WANG Xiangdong1，2, QIAN Yueliang1，2

1.Research Center for Pervasive Computing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China
2.Beijing Key Laboratory of Mobile Computing and Pervasive Device, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China

Online:2014-12-15 Published:2014-12-12

摘要/Abstract

摘要： 行人检测是计算机视觉的研究热点和难点，近年来基于机器学习的行人检测技术取得了长足的进步，但由于不同场景的数据分布存在差异，已有检测器在新场景下的行人检测性能出现显著下降。为了避免繁琐的人工标注，充分利用原有检测器和标注样本，基于迁移学习的行人检测研究受到越来越多的关注。对其中涉及到的样本获取、迁移学习机制等关键技术进行综述，并从多个角度对现有方法进行分析和比较，最后对该技术的未来进行展望。

关键词: 行人检测, 检测器, 迁移学习, 场景自适应

Abstract: Pedestrian detection is an active area of research with challenge in computer vision. In recent years, pedestrian detection based on machine learning has achieved great development. However, since data of various application scenes are under different data distributions, the performance of a well-trained detector drops significantly in a new scene. In order to avoid the effort of manual labeling and make full use of the original detector and labeled samples, pedestrian detection based on transfer learning has attracted more and more attention. This paper reviews pedestrian detection based on transfer learning, involving sample collection, transfer learning and detector optimization. Recent research on this topic is summarized and compared in different ways. Future directions are discussed.

Key words: pedestrian detection, detector, transfer learning, domain adaptation

邵松1，2，刘宏1，2，王向东1，2，钱跃良1，2. 基于迁移学习的行人检测研究进展[J]. 计算机工程与应用, 2014, 50(24): 156-163.

SHAO Song1，2, LIU Hong1，2, WANG Xiangdong1，2, QIAN Yueliang1，2. Review of pedestrian detection based on transfer learning[J]. Computer Engineering and Applications, 2014, 50(24): 156-163.

[1]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	唐国智，李顶根. 深度学习及时空约束的行人跟踪算法研究[J]. 计算机工程与应用, 2021, 57(7): 121-129.
[4]	李佐龙，王帮海，卢增. 多尺度特征融合重建的行人检测方法[J]. 计算机工程与应用, 2021, 57(4): 176-182.
[5]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[6]	徐志京，汪毅. 青光眼眼底图像的迁移学习分类方法[J]. 计算机工程与应用, 2021, 57(3): 144-149.
[7]	姚可欣，曹卫群. Trans-Net：基于迁移学习的手写简笔画识别[J]. 计算机工程与应用, 2021, 57(3): 182-188.
[8]	高爽，徐巧枝. 迁移学习方法在医学图像领域的应用综述[J]. 计算机工程与应用, 2021, 57(24): 39-50.
[9]	黄英来，艾昕. 改进残差网络在玉米叶片病害图像的分类研究[J]. 计算机工程与应用, 2021, 57(23): 178-184.
[10]	黄泽英，李海艳，林景亮. 迁移学习下的极限学习机代理建模方法及应用[J]. 计算机工程与应用, 2021, 57(22): 257-262.
[11]	周绍光，吴昊，赵婵娟，陈仁喜. 利用同质区特性的高光谱图像迁移学习分类[J]. 计算机工程与应用, 2021, 57(21): 224-233.
[12]	徐健，黄磊，陈倩倩，陆珍，吴曙培. 基于多尺度特征迁移学习的步态识别研究[J]. 计算机工程与应用, 2021, 57(20): 180-187.
[13]	黎英. 迁移学习在医学图像分析中的应用研究综述[J]. 计算机工程与应用, 2021, 57(20): 42-52.
[14]	崔子越，皮家甜，陈勇，杨杰之，鲜焱，吴至友，赵立军，曾绍华，吕佳. 结合改进VGGNet和Focal Loss的人脸表情识别[J]. 计算机工程与应用, 2021, 57(19): 171-178.
[15]	陆小玲，吴海锋，曾玉，孔伶旭，罗金玲. 3D迁移网络的阿尔茨海默症分类研究[J]. 计算机工程与应用, 2021, 57(16): 253-262.