Preventing Errors in Person Detection: A Part-Based Self-Monitoring Framework

要約

学習されたオブジェクトの外観に関係なく検出する機能は、現実世界のアプリケーションにおける自律システムにとって非常に重要です。
特に人間の検出は、安全性が重要なアプリケーションで基本的なタスクとなることが多く、エラーを防ぐことが重要です。
この課題に対処するために、認識システムが実行時に妥当性チェックを実行できるようにする自己監視フレームワークを提案します。
人体の部位を検出するための追加コンポーネントを組み込むことで、総合的な人物オブジェクトのみでトレーニングされたベースライン設定と比較して、人体検出の見逃しの数を最大 9 分の 1 まで大幅に削減できることを示します。
さらに、人間とその体の一部でモデルを共同トレーニングすると、人間だけでトレーニングした場合と比較して、誤検知が最大 50% 大幅に減少することがわかりました。
私たちは、フレームワークの有効性を実証するために、公開されているデータセット DensePose と Pascal VOC に対して包括的な実験を実行しました。
コードは https://github.com/FraunhoferIKS/smf-object-detection で入手できます。

要約(オリジナル)

The ability to detect learned objects regardless of their appearance is crucial for autonomous systems in real-world applications. Especially for detecting humans, which is often a fundamental task in safety-critical applications, it is vital to prevent errors. To address this challenge, we propose a self-monitoring framework that allows for the perception system to perform plausibility checks at runtime. We show that by incorporating an additional component for detecting human body parts, we are able to significantly reduce the number of missed human detections by factors of up to 9 when compared to a baseline setup, which was trained only on holistic person objects. Additionally, we found that training a model jointly on humans and their body parts leads to a substantial reduction in false positive detections by up to 50% compared to training on humans alone. We performed comprehensive experiments on the publicly available datasets DensePose and Pascal VOC in order to demonstrate the effectiveness of our framework. Code is available at https://github.com/ FraunhoferIKS/smf-object-detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google