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
RepLoss（Wang, 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】