Deep Learning Strong Parts for Pedestrian Detection 是发表在iccv2015的文章。

本论文的核心思想是遮挡的处理问题。

出发点

传统的行人检测对遮挡行人的处理都是用单分类器进行处理，这篇论文，将不再适用单分类器，而是用多分类器处理遮挡问题。同时这种方法是基于分块的。

论文贡献

构建了一个部件池包含很多行人的分块，这些分块是自动选择的而且适用于不同的数据集。
基于各种CovNets,对各种分块分别训练一个网络，而不是单个分类器。
提出了一种解决偏移的方法。

方法
部件池的构建

讲一个行人切分成2mm个cell,在具体的试验中m=3.
就是18个cell,
然后适用一个hw的滑动窗口在cell上滑动，步长是1，其中h和w满足

就是限制他们的大小，不能太小，太小了没意义。最后在实验的时候最小都取了2.

这样通过滑动，总共可以选择出45个这种部件。构造除了我们的部件池。用如下的公式表示

x,y是左上的坐标，w，h是高，i是id,总共45个这种表示方法的意思就是如果是整个图像就是（1，1，m，2m,id）

训练

对于负样本直接滑动出45个部件，
对于正样本，需要选择，如果可见部分超过0.4就选择其是人的部件为正样本。如果这个人没又遮挡，直接滑动出45个部分。这样正负样本总共包含45部分，拿着这45种部件，训练45个探测器。。。（内心os:这居然是优点·····）

对于探测器直接用了pre-train的模型，然后进行fine-turning,
fine-turning阶段吐槽一下作者的原话：

  we uniformly sample 16 positive and 48
negative windows to construct a mini-batch. Experiments
show that fine-tuning for 10000 iterations with a learning
rate of 0.001 is sufficient to converge

相当于重新训练一次了。。。

处理偏移

为了接收任意尺寸的图片

他们把最后的全连接层换成了卷积层，这样就可以接收任意的尺寸了。
以下拿AlexNet为例子
因为AlexNet的感受野的步长是32
所以对原始的候选框进行抖动扩充：

其中
是原始图像，这个公式的意思就是按照神经网络的步长进行比例的扩充。这样最终的卷积层产生的就是（1+n）(1+n)4096的score map。

作者先解释了一下偏移问题的重要性，然后拿了一个n=2的例子进行的讲解。