Sdílení lokální informace v detekci založené na klouzajícím oknu

Abstract

Detekce objektu je klasická úloha počítačového vidění. WaldBoost je jeden z nejlepších algorimů současnosti pro detekci objektu díky vysoké přesnosti detekce a rychlosti v reálném čase. Standardní metoda skenovacího okna klasifikuje všechna okna nezávisle na sobě, ačkoli překrývající se okna sdílí velké množství informace. Prozkoumání této vlastnosti může vést k výraznému zrychlení standardní metody.

Inspirováni prací Hradiše a spol. vyhodnotíme několik rýzných vzorců skenování a prediktorů pro okna překrývající se v prostoru. Dále generalizujeme tuto myšlenku od sousedních oken napříč škálami obrázku a navrhneme detektor WaldBoost with Crosstalk Prediction. Metodu vyhodnotíme na jednom z nejlepších současných datasetů pro detekci obličejů, ukážeme, že je možné standardní detektor výrazně zrychlit s žádnou, případně malou ztrátou kvality detekce, zároveň předčíme referenční metodu Hradiše a spol.Object detection is a classic task in computer vision. WaldBoost algorithm is a state-of-the-art method for object detection due its high detection accuracy and real-time speed. However, since the traditional scanning window method classifies all the windows independently and doesn't make use of the information shared among overlapping windows, there is still a possibility of a significant speed-up by exploiting this property.

We evaluate number of scanning patterns and predictors for spatially adjacent windows, inspired by work of Hradiš et. al. Furthermore, we generalize this idea from spatially adjacent widows to multiple scales and propose {WaldBoost with Crosstalk Prediction}. Evaluating on a state-of-the-art dataset for face detection, we show that a significant speed-up can be achieved with {WaldBoost with Crosstalk Prediction} with no or a little loss of precision, outperforming the reference method of Hradiš et. al.