《Signal Processing: Image Communication》：EFGNet: Efficient filter guided network for dense pedestrian detection
编辑推荐：
Jinlong Mei|Wentao Lyu|Xiangfei Lou摘要行人检测在智能驾驶系统中至关重要，因为它能够检测行人的运动轨迹，帮助系统进行更安全的路径规划和速度控制。然而，在实际应用中，行人检测常常面临目标重叠、相互遮挡以及尺度变化等挑战，这些因素会降低检测性能。为了
Jinlong Mei|Wentao Lyu|Xiangfei Lou
摘要
行人检测在智能驾驶系统中至关重要，因为它能够检测行人的运动轨迹，帮助系统进行更安全的路径规划和速度控制。然而，在实际应用中，行人检测常常面临目标重叠、相互遮挡以及尺度变化等挑战，这些因素会降低检测性能。为了解决这些问题，我们提出了一种高效的滤波引导网络（EFGNet），该网络能够有效处理图像中的噪声信号，从而在拥挤场景中提升行人检测能力。首先，在特征融合过程中，EFGNet引入了特征过滤与净化模块（FFPM），该模块减少了由于直接自上而下梯度传播导致的语义信息丢失和优化偏差，从而提高了对重叠行人的检测性能。其次，为了克服传统检测头的高复杂性和固定感受野的问题，我们设计了一种轻量级的自适应尺度引导头（ASGH）。这种检测头能够根据目标尺度的变化自适应调整其感受野，显著提高了对小尺度行人的检测能力。最后，我们用排斥损失（Repulsion Loss）替换了传统的CIoU损失，这种损失增强了目标之间的排斥力，以保持物体间的距离，有效减少了由于遮挡和重叠导致的漏检和误检现象。EFGNet有效解决了由于行人遮挡以及不同尺度下感受野不匹配导致的信息丢失问题，从而大幅提高了整体检测精度，尤其是在密集人群场景中。实验结果表明，EFGNet在Crowdhuman数据集上的平均精度（AP）达到了90.4%，在WiderPerson数据集上的AP达到了81.6%，优于现有的最先进方法（SOTA），证明了其在密集行人检测任务中的有效性。
