js面向对象网站开发,网站建设毕业实践设计报告,淄博网站开发招聘,个人网站一键生成一、遮挡的类别
类内遮挡#xff0c;目标被同一类别的目标遮挡类间遮挡#xff0c;目标被其它类别的目标遮挡
二、解决方法
数据标注
精调遮挡目标的GT边界框
数据增强
cutout#xff1a;在训练时#xff0c;随机mask目标#xff0c;提升模型对遮挡的应对能力mosaic…一、遮挡的类别
类内遮挡目标被同一类别的目标遮挡类间遮挡目标被其它类别的目标遮挡
二、解决方法
数据标注
精调遮挡目标的GT边界框
数据增强
cutout在训练时随机mask目标提升模型对遮挡的应对能力mosaic按一定比例融合多张图片相当于模拟了一些遮挡的场景
网络结构
加注意力机制等使模型提取判别力更强的特征行人检测将行人分为5个独立的区域对这5个局部区域分别预测了一个0到1之间的遮挡分数代表这5个局部区域的可见或者遮挡程度。使用这5个visibility score分别和对应区域的feature相乘后相加得到最终的特征Zhang, S., Wen, L., Bian, X., Lei, Z., Li, S. Z. (2018). Occlusion-aware R-CNN: Detecting Pedestrians in a Crowd 正负样本匹配机制
将匹配依据由IOU改成GIOU、DIOU、CIOU等
损失函数
RepLossWang, X., Xiao, T., Jiang, Y., Shao, S., Sun, J., Shen, C. (2017). Repulsion Loss: Detecting Pedestrians in a Crowd
该损失函数由2部分组成在要求预测框靠近匹配的GT框T的同时也要求预测框远离其它GT框B在提升遮挡检测性能的同时降低检测器对NMS的敏感性 整体公式如下 第一部分为吸引损失第二部分为排斥损失又可以分为预测框与其它GT框的损失以及预测框与其它预测框的损失 第一部分损失的公式如下
作用使P与匹配的GT框互相靠近 其中
与至少一个GT之间的IOU大于等于0.5
与P有最大IOU值的GT框 第二部分损失的公式如下
RepGT
作用使P远离与P之间的IOU值是次大的GT框 其中
除了与P匹配的GT外与P之间有最大IOU的GT框即与P之间的IOU值是次大的
RepBox
作用使匹配了不同GT的预测框之间互相远离排斥降低了检测器对NMS的敏感性
根据匹配的GT框序号将分为不同的子集如表示GT框的数量 【参考文章】
“别挡我我要C位出道”谈谈深度学习目标检测中的遮挡问题 - 知乎
Repulsion Loss 遮挡场景下的目标检测 - 知乎
