目标检测 | 论文推荐2

目标检测（object detection）就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。Object detection要解决的问题就是物体在哪里（where），是什么（wha）这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。

上次推送了 目标检测 | 论文推荐 ，本文再介绍两篇很新的关于应用深度学习技术的目标检测论文给大家~希望有助于你进一步学习。

《Remote Detection of Idling Cars Using Infrared Imaging and Deep Networks》

Proposed idling car detection framework

Abstract：怠速车辆（Idling vehicles）通过废气排放浪费能源并污染环境。在一些国家，禁止将车辆空转超过预定的时间，并且执法机构需要自动检测怠速车辆。我们提出第一个使用红外（IR）成像和深度网络来检测空转车的自动系统。

我们依靠怠速和停车时空热特征的差异，并使用长波红外摄像机监测车内温度。我们将怠速车检测问题制定为IR图像序列中的时空事件检测，并采用深度网络进行时空建模。我们收集了第一个IR图像序列数据集，用于怠速汽车检测。首先，我们使用卷积神经网络在每个红外图像中检测汽车，该网络在规则的RGB图像上进行预先训练，并在IR图像上进行微调以获得更高的准确性。然后，我们跟踪检测到的汽车随着时间的推移，以识别停放的汽车。最后，我们使用每辆停放汽车的3D时空红外图像体积作为卷积和循环网络的输入，以将它们分类为空闲或不空闲。我们对各种卷积和循环体系结构的时间和时空建模方法进行了广泛的经验性评估。我们在我们的IR图像序列数据集上呈现出有前景的实验结果。

arXiv：https://arxiv.org/abs/1804.10805

注：怠速车辆（Idling vehicles）简单理解就是启动的车辆在原地不动的状态，感觉像是空转。

《MV-YOLO: Motion Vector-aided Tracking by Semantic Object Detection》

An overview of the proposed tracking method

Abstract：目标跟踪是许多可视化分析系统的基石。近年来，虽然在这方面取得了相当大的进展，但在实际视频中进行稳健，高效和准确的跟踪仍然是一项挑战。在本文中，我们提出了一种混合跟踪器，利用压缩视频流中的运动信息和作用于解码帧的通用语义对象检测器，构建适用于多种可视化分析应用的快速高效的跟踪引擎。所提出的方法与OTB跟踪数据集上的几个常见的跟踪器进行了比较。结果表明所提出的方法在速度和准确性方面的优点。所提出的方法相对于大多数现有跟踪器的另一个优点是其简单性和部署效率，这归因于其重用并重新利用系统中可能已存在的资源和信息，这是由于其他原因。