誤刪 LINE的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

應用深度學習於行人檢測之研究

為了解決誤刪 LINE的問題，作者邱晨 這樣論述：

行人檢測於物件檢測領域中為具有挑戰性的任務，由初期的滑動窗口分類器辨識行人位置與特徵變化，到後續導入深度學習抓取細部行人特徵做為檢測模型之架構，才逐漸導向可執行且較穩定性之產品應用端，也就是智慧車輛於行駛道路中盡量避免誤判行人或是無法抓取行人特徵等狀況。本論文利用無錨框檢測技術可降低以往針對特徵進行候選機制所得出之候選邊界框所需運作的時間，這在移動車輛監控即時影像有著更顯著的效率提升。檢測行人的方式依據行人之中心點以及尺度大小作為判斷依據 ，並且利用 Focal loss等分類損失函數，將大部分資料集為無行人之樣本權重調低，從而調高具有行人之樣本時的權重，用來加強對於行人檢測的靈敏度。在本論

文中將以行人遮擋的部分作為研究目的並加以延伸，考量到行人檢測有兩個檢測重點，其一為針對行人被其他物體遮擋之場景，本論文利用現有主流卷積網路架構如ResNetV2與MobileNetV2，於深層高階特徵圖的階段提出注意力機制等方法使得模型加強權重值來獲取可能為行人出現的區域，並調整其餘非行人影像中的權重，其中注意力機制可分為通道與空間注意力，通道注意力將使得各卷積核之間利用壓縮擴展的方式學習各通道間的關係，而空間注意力則將強影像對於細部行人輪廓的部份。其二為行人與行人間互相遮擋之場景，因每位被檢測出的行人皆有邊界框，這時使用傳統非極大值抑制後處理來抑制信心度較低的 結果時，可能會因此誤刪正確的結

果，因此本論文提出 新的 Mix-NMS演算法，利用DBSCAN取得影像中群體部分，結合高斯函數計算出各群體之中的密集樣本，求得與信心度最高之重疊程度閥值，再加入過密集臨界點判斷機制，將重疊性較高的閥值適時修正，使得該區域的邊界框能夠加強刪除，避免最終行人檢測結果有誤判的情形，實驗結果可顯示對於行人與行人間遮擋的情況，可以適度保留被遮擋住的行人，從而提早檢測出該行人 的位置 避免可能發生碰撞之情形 。為了驗證本論文所提出之注意力機制能改善行人被物體遮擋的檢測改善，透過目前該領域較廣為 人知的Caltech資料集 做完實驗基準並加以 分析，在行人重度遮擋的情況，骨幹卷積網路使用 ResNetV2

結合注意力機制時， 失效率可由原骨幹網路架構之53.43%下降至 48.76%，而於Reasonable分析顯示其失效率為 8.2%，與原骨幹網路所測得之 8.57%亦有微幅下降空間 ，顯示加入注意力機制並不影響完整行人之檢測之失效率於合理驗證之失效率之基準下，可以改善重度遮擋行人未被檢測出之情形 。 行人與行人互相遮擋驗證部分，本論文將 與傳統之非極大值抑制演算法處理之影像相比較 ，並加入現有後處理方式進行比較 ，諸如行 人較 壅 塞之特定場景下，被遮擋之行人可保留其邊界框，而不至於經由後處理而刪去原本模型檢測出來之行人特徵。