Region Proposal Network (RPN) itself which is used for region proposals in Faster R-CNN can be used as a pedestrian detector. Also, RPN even shows better performance than Faster R-CNN for pedestrian detection. However, RPN generates severe false positives such as high score backgrounds and double detections because it does not have downstream classifier. From this observations, we made a network to refine results generated from the RPN. Our Refinement Network refers to the feature maps of the RPN and trains the network to rescore severe false positives. Also, we found that different type of feature referencing method is crucial for improving performance.
물체 제안 네트워크를 이용하는 다양한 물체 검출 알고리즘들이 있지만, 물체 제안 네트워크는 그 자체로도 보행자 검출기가 될 수 있다. 오히려 물체 제안 네트워크만으로도 더 좋은 성능을 도출하기도 한다. 그러나, 물체 제안 네트워크는 가능한 많은 물체를 검출하며 성능을 높이지만, 뒤따르는 분류기가 없기 때문에 높은 점수로의 배경 오검출, 이중검출 등 심각한 오검출이 생긴다. 이런 문제점에 동기를 받아, 본 연구에서는 물체 제안 네트워크의 특징을 참조하여 심각한 오검출을 제거하여 전반적인 검출 결과를 개선하는 네트워크를 구성하고 학습하였다. 본 연구의 결과는 공인 데이터셋에서 물체 제안 네트워크 보다 좋은 성능을 보였으며, 또한 이 과정에서 다른 종류의 특징 참조 방식이 성능 향상에 중요함을 발견하였다.
