E2 Net: Efficient and Effective Dense Pedestrian Detection Network Based on YOLOv8
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The goal of dense pedestrian detection is to accurately identify and locate pedestrians in crowded scenes. The majority of available dense pedestrian detection algorithms are built on a two-stage framework. The two-stage framework generally transforms the target detection task into a regression task by selecting candidate regions. However, two-stage-based approaches have issues with high computational complexity and subpar real-time performance since they necessitate several region suggestions and feature extraction operations. By executing prediction and regression operations directly on the feature map and skipping region suggestion and multi-stage processing, YOLOv8, as a single-stage detection approach, may substantially decrease computational complexity and increase real-time performance. However, it still has shortcomings in small-scale pedestrian detection and occlusion processing. To solve this problem, we propose an efficient and effective dense pedestrian detection method based on YOLOv8, called E2 Net. We introduce an efficient convolution operator, Partial Convolution (PConv), to reduce computational redundancy and memory consumption. Also, we apply PConv to the FasterNet architecture to improve feature extraction efficiency while maintaining performance, enabling efficient spatial feature extraction on multiple devices. In addition, we introduce a novel loss optimization scheme to reduce small-scale pedestrian misses and incorporate a weighted bi-directional feature pyramid network (BiFPN) to achieve a flexible multi-scale feature fusion algorithm with content awareness. Through extensive experiments, it has been verified that E2 Net has higher accuracy and efficiency on dense pedestrian detection tasks than existing state-of-the-art algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle