在论文中实验结果表明了我们的贡献,我们的方法是基于提高训练集候选框的对齐质量和完美多帧检测器,这两种方法通过手动剔除Caltech数据集的训练标签,并对剩余的训练样本进行测试。同时我们研究了用于行人检测的卷积神经网络,并描述了影响它们性能的因素。为了说明背景/前景的区别,我们研究了用于行人检测的卷积神经网络,并描述了影响它们性能的因素。我们详细研究并报告了在Caltech数据集的最好的表现性能,并提出了一套新的经过筛选的训练和测试样本。行人检测是一个众所周知的计算机视觉研究领域的子课题,它的应用十分广泛,虽然已经被提出很多年,仍然是一个研究的重点问题。我们对比了现在的最先进的方法和“完美的多帧检测器和候选框的对齐”的不同。受行人检测最新发展的启发,我们创建了一个行人的检测的基准(在Caltech数据集上)。不仅可以实现定位,也可以得到前景和背景的误差。同时为了说明定位误差,我们研究了训练标注噪声对检测器性能的影响,并表明我们可以在少部分经过筛选的训练数据的基础上进行改进。尽管针对行人检测的研究已经有了很深入的研究,但是关于行人检测的研究还有很大的发展空间,还有很多可以继续深入研究的方面。通过实验对比论文新提出的行人检测基准和目前现有技术,结果表明,目前的技术还未达到人类视觉检测的十分之一的水平。本文的目的是研究哪些方法会有助于缩小这一差距,这表明可以在本论文中做出的改进和创新。初始问题可以描述为该项目结论的初始条件。针对如何设计一个具有良好性能的行人检测系统,以及处理行人分割的“边界和分数对齐”。本文设计了一个处理分割的行人“边界框得分对齐”的系统,但是这个系统并不具有良好的表现性能。这个系统更多的关注的是包围盒和分数。很奇怪的是系统的性能下降了,使用的最终的深度网络保持不变,但是并没有保持和以前相同的性能。出现这样的问题的原因可能是提出的第一个网络的强负样本比基线的第一个网络具有更多的参数。因此,在这一点上,通过级联进入最后一个网络,这样就可以有更多不同的数据,就不会牺牲性能为代价。CNN是一种特殊的神经网络(NN),没有使用传统的神经网络的原因就是神经网络伸缩性较差,例如,将一个图像设置为3*32*32大小的尺寸。神经网络中的神经元就有3*32*32=3072个权重。对于一个大小为3*256*256的图像,一个神经元酱油3*256*256=196608个权重。这些权重的数量还需要乘上神经元的数量,这样将会导致过度拟合。CNN的输入是由图像组成的,并且神经元的排列的三维(宽度,高度和深度),而且每个神经元只与前面一层的一个小区域相连接。尽量这样做并不足于将参数数量减低到令人满意的水平。一种显著减少参数数量的方法就是,一个特征的路径对于一个空间位置(x1,y1)有用的,那么他对于另一个空间位置(x1,y1)也是有用的。这就意味着共享相同的深度参数的神经元使用相容的过滤器,这样就大大减少了参数的数量。由于CNN的速度很慢,使用多个不同的网络并将其结果平均起来并不理想,这就是丢弃法出现的原因。在全连接网络中丢弃法通过随机丢掉一些单元(忽略他们,将其输出设置为0)实现的。这样使得网络看起来“更瘦”,而且应为随机单元的丢弃,使得这些“更瘦”的网络以多种方式组合在一起。然后,它模拟存在许多小型网络,在测试过程中被合并到一个大的、互相不受影响的网络中。根据2016年OICA显示,在过去十年中国私人汽车等的数量已经扩展了其他国家的24.38倍。随着汽车数量的增长,交通拥挤的情况也越来越严重。这就导致了OICA显示人们比以前更倾向驾驶自己的汽车。这样也就导致了交通事故发生概率的增长。机器学习是计算机科学一个研究领域,为计算机系统提供了使数据“学习”的能力,(例如,在特定任务上逐步提高性能)而不需要显性的编程。神经网络,也即是人工神经网络,是由于构成动物大脑的生物神经网络激发设计出的计算系统。在图像识别中,他们可以通过分析经过手工标注“猫”和“无猫”的样本来识别包含猫的图片。机器学习中,卷积神经网络是一种深度、前馈的人工神经网络,已经成功的应用于分析视觉图像。