监控场景下的行人精细化识别overfitting

1、案例监控场景下的行人精细化识别BDCI-决赛答辩overfitting赛题建模模型选择模型融合赛题总结目录赛题建模01子部位定位监控场景下的行人精细化识别物体检测分类问题赛题分析性别头发长度附属品种类附属品颜色图像模糊1行人姿态多样化2子部位存在遮挡3赛题挑战光照变化大4模型选择02模型演变Faster R-CNNCNNSSD全局信息关联性多模型融合模型初建附属物种类识别附属物颜色识别头发长度识别性别识别子部位定位Faster R-CNNCNNCNN赛题任务存在小物体，特别是存在比例差距较大的待检测对象，Faster R-CNN对于这类问题的性能不够理想。模型初建Faster R-CNNSou

2、rce：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，2015模型改进（一） SSD输入分辨率较低的图像时，能保证检测的精度。当图片中存在大小不同的检测物体时，也能够很好地进行检测。基本框架Source：SSD: Single Shot MultiBox Detector，2015模型改进（一） SSD性能提升 网络部位SSDFaster R-CNNhead99.557699.4582top99.659799.4502down97.235295.8680shoes91.490084.

3、3655bag86.299680.4339hat70.000069.4789调节Faster R-CNN的anchor box99.533488.3615模型改进（一） SSDFaster R-CNNSSD模型改进（二） 挖掘全局信息关联性模型改进（二） 挖掘全局信息关联性思路：图片的全局信息对于属性的识别具有积极的影响CNNCNN模型改进（二） 挖掘全局信息关联性CNNSSDSSD上身蓝蓝思路：直接同时完成子部分定位和识别任务算法框架算法框架任务：检测头部、上身、下身、脚、包和帽子的位置基于ImageNet数据集pre-trained的模型进行fine-tune设定阈值对检测得到的box进行

4、筛选算法框架任务：识别上身衣着、下身衣着、鞋子、包的种类为主要任务，同时完善检测任务整张图片作为输入标注框label由子部分名称加附属物种类共同构成基于子部分检测网络训练得到的模型进行fine-tune根据结果对检测任务完善并设定阈值筛选识别结果算法框架任务：识别上身衣着、下身衣着、包和帽子的颜色整张图片作为输入标注框label由该框内附属物颜色决定基于ImageNet数据集pre-trained的模型进行fine-tune根据前两步得到的位置信息和本次得到的候选位置求交并比和候选框得分共同决定颜色结果算法框架任务：识别性别和头发长度整张图片作为输入性别的标注框为图片所有标注框的融合，labe

5、l为性别类别头发长度的标注框视性别对头部标注框进行延展得到，label为头发长度类别基于ImageNet数据集pre-trained的模型进行fine-tune模型融合03SSD网络Faster R-CNN网络附属物种类识别模型融合附属物种类识别SSD网络Faster R-CNN网络性别与头发长度识别模型融合性别与头发长度识别SSD网络Faster R-CNN网络CNN网络附属物颜色识别模型融合附属物颜色识别模型融合性能提升赛题总结04ABC预警与排查，维护社会治安提高视频监控工作人员的工作效率行人行为解析应用场景与商业价值ABC单个SSD模型完成定位和所有属性识别任务帽子的检测基于CNN优化各项分类任务TodoABC行人各部分信息之间的关联性直接处理原始图片模型大小与测试速度创新性及优势ABC处理过程自动化，避免重复造轮子跳出已有方法的拘束，新的可能就在眼前不要因