Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Improving Performance and Energy Efficiency for OFDMA Systems Using Adaptive Antennas and CoMP Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Deep Convolutional Neural Networks for All-Day Pedestrian Detection

verfasst von : Xingguo Zhang, Guoyue Chen, Kazuki Saruta, Yuki Terata

Erschienen in: Information Science and Applications 2017

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Pedestrian detection is a special topic in computer vision and plays a key role in intelligent vehicles and unmanned drive. Although recent pedestrian detect methods such as RPN_BF [1] have shown good performance from visible spectrum images at daytime, they have limited study for near-infrared image at nighttime. Unfortunately, when the traffic accident happened at night, the pedestrian is one of the most serious victims. Recently deep convolutional neural networks such as R-CNN/Faster R-CNN [2, 3] have shown excellent performance for object detection. In this paper, we investigate issues involving Faster R-CNN for construction of end-to-end all-day pedestrian detection system. We propose an effective baseline for pedestrian detection both on visible spectrum images and infrared images, using a same pre-train Faster R-CNN model. We comprehensively evaluate this method, the experiment results presenting competitive accuracy and acceptable running time.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Information Visualization for Mobile-Based Disability Test Applications
Nächstes Kapitel An Augmented Reality Learning System for Programming Concepts
Literatur
1.
Zhang, L., Lin, L., Liang, X., He, K.: Is faster R-CNN doing well for pedestrian detection? In: ECCV 2016, 1–15 (2016)
2.
Girshick, R., Donahue, J., Darrell, T., Berkeley, U.C., Malik, J.: R-CNN: region-based convolutional neural networks. In: CVPR 2014, 2–9 (2014)
3.
Ren, S., He, K., Girshick, R., Sun, J.: Faster R-CNN: towards real-time object detection with region proposal networks. In: NIPS, 1–10 (2015)
4.
World Health Organization: Global Status Report on Road Safety 2015 (2015)
5.
Yan, J., Zhang, X., Lei, Z.: Robust multi-resolution pedestrian detection in traffic scenes. In: IEEE Conference Computer Vision Pattern Recognition, 3033–3040 (2013)
6.
Dollár, P., Wojek, C.: Pedestrian detection: an evaluation of the state of the art. IEEE Trans. Pattern Anal. Mach. Intell. 34, 743–761 (2012)CrossRef
7.
Zhang, X., Chen, G., Saruta, K., Terata, Y.: Discriminative feature points distribution in near-infrared pedestrian images. IEEJ Trans. Electron. Inf. Syst. 135, 1222–1228 (2015)
8.
Uijlings, J.R.R., Van De Sande, K.E.A., Gevers, T., Smeulders, A.W.M.: Selective search for object recognition. Int. J. Comput. Vis. 104, 154–171 (2013)CrossRef
9.
Felzenszwalb, P.F., Girshick, R.B., McAllester, D., Ramanan, D.: Object detection with discriminatively trained part-based models. IEEE Trans. Pattern Anal. Mach. Intell. 32, 1627–1645 (2010)CrossRef
10.
Zhang, S., Bauckhage, C., Cremers, A.B.: Informed Haar-like features improve pedestrian detection. In: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 947–954 (2014)
11.
Dollár, P., Appel, R., Belongie, S., Perona, P.: Fast feature pyramids for object detection. IEEE Trans. Pattern Anal. Mach. Intell. 36, 1532–1545 (2014)CrossRef
12.
Dollár, P., Tu, Z., Perona, P., Belongie, S.: Integral channel features. In: BMVC 2009, London, England, 1–11 (2009)
13.
Ouyang, W., Wang, X.: A discriminative deep model for pedestrian detection with occlusion handling. In: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 3258–3265 (2012)
14.
Ouyang, W., Zeng, X., Wang, X.: Modeling mutual visibility relationship in pedestrian detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 3222–3229 (2013)
15.
Luo, P., Tian, Y., Wang, X., Tang, X.: Switchable deep network for pedestrian detection. In: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 899–905 (2014)
16.
Tian, Y., Luo, P., Wang, X., Tang, X.: Pedestrian detection aided by deep learning semantic tasks. In: Proceedings of IEEE Computer Society Conference Computer Vision Pattern Recognition, 7–12 June 2015, 5079–5087 (2015)
17.
Tomè, D., Monti, F., Baroffio, L., Bondi, L., Tagliasacchi, M., Tubaro, S.: Deep convolutional neural networks for pedestrian detection. Arxiv (2015)
18.
Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. 1, 886–893 (2005)
19.
Girshick, R.: Fast R-CNN: fast region-based convolutional networks for object detection. In: Proceedings of the IEEE International Conference on Computer Vision, 1440–1448 (2016)
20.
Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., Yuille, A.L.: Semantic image segmentation with deep convolutional nets and fully connected CRFs. In: ICLR, 1–14 (2014)
21.
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A.C., Fei-Fei, L.: ImageNet large scale visual recognition challenge. Int. J. Comput. Vis. 115, 211–252 (2015)MathSciNetCrossRef
Metadaten
Titel
Deep Convolutional Neural Networks for All-Day Pedestrian Detection
verfasst von
Xingguo Zhang
Guoyue Chen
Kazuki Saruta
Yuki Terata
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Information Science and Applications 2017

Print ISBN: 978-981-10-4153-2

Electronic ISBN: 978-981-10-4154-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-4154-9_21

Neuer Inhalt

    Bildnachweise