Rapid Deformable Object Detection using Bounding-based Techniques

In this work we use bounding-based techniques, such as Branch-and-Bound (BB) and Cascaded Detection (CD) to efficiently detect objects with Deformable Part Models (DPMs). Instead of evaluating the classifier score exhaustively over all image locations and scales, we use bounding to focus on promising image locations. The core problem is to compute bounds that accommodate part deformations; for this we adapt the Dual Trees data structure to our problem. We evaluate our approach using DPMs. We obtain exactly the same results but can perform the part combination substantially faster; for a conservative threshold the speedup can be double, for a less conservative we can have tenfold or higher speedups. These speedups refer to the part combination process, after the unary part scores have been computed. We also develop a multiple-object detection variation of the system, where hypotheses for 20 categories are inserted in a common priority queue. For the problem of finding the strongest category in an image this can result in more than 100-fold speedups.Dans ce travail, nous utilisons des techniques qui utilisent des bornes, comme 'Branchand- Bound' (BB) et 'Cascaded Detection' (CD) pour détecter efficacement des objets avec des modèles de pièces déformables. Au lieu d'évaluer le score classificateur d'une manière exhaustive sur tous les emplacements d'images et toutes échelles, nous utilisons BB qfine qde se concentrer sur les endroits prometteuses. Le coeur du problème est de calculer des bornes qui peuvent accueillir des déformations de pièces; pour cela nous avons adapté la structure de données 'Dual Tree' à notre problème. Nous évaluons notre approche à l'aide des les modèles de pièces déformables. Nous obtenons exactement les mêmes résultats, mais effectuons la combinaison de la pièce 10-20 fois plus rapide en moyenne. Nous développons aussi une variation de la détection de plusieurs objets du système, où les hypothèses pour 20 catégories sont insérés dans une commune file d'attente prioritaire. Pour le problème de trouver la plus forte catégorie dans une image il peut en résulter une accélération de 100 fois