摘要

本文考虑了设计复杂度感知的级联检测器，该检测器结合了具有非常不同复杂度的特征。提出了一种新的级联设计方法，通过将级联学习表述为风险的拉格朗日优化问题，该风险同时考虑了准确性和复杂度。随后，推导出一种称为复杂度感知级联训练（CompACT）的提升算法来解决这一优化问题。研究表明，CompACT 级联能够在准确性和复杂度之间寻求最优平衡，通过将高复杂度的特征推送到后续的级联阶段，在这些阶段中只有少数难以分类的候选区域需要处理。这使得在一个检测器中可以使用具有极大差异复杂度的特征成为可能。因此，特征池可以扩展到以前在级联设计中不切实际使用的特征，例如深度卷积神经网络（CNN）的响应。这一点通过设计一个行人检测器得到了验证，该检测器的特征池中的特征复杂度跨越了多个数量级。最终得到的级联结构不仅将 CNN 与目标提议机制相结合，而且与预处理阶段不同的是，CompACT 级联无缝地将 CNN 集成到其各个阶段中。这使得在 Caltech 和 KITTI 数据集上实现了最先进的性能，并且速度相当快。