本篇论文介绍了一种用于检测部分遮挡对象的语义部分的方法，该方法使用本地视觉线索的置信度进行语义部分的检测并使用简单的投票技术来处理局部线索。实验证明，该方法在存在遮挡的情况下，在语义部分检测方面性能优于其他竞争方法。

Jul, 2017

本文提出了一种基于深度学习的DeepVoting算法，该算法可以检测物体的语义部位，即使存在局部遮挡的情况，并可以同时进行端到端的优化，通过提取局部视觉线索和空间关系进行投票机制，实现了该任务。

Sep, 2017

本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。

Nov, 2018

该研究试图将深度卷积神经网络与组合模型相结合，以解决当前计算机视觉领域的一个基本问题：在高识别性的同时识别部分遮挡的物体。研究者提出了一种学习两步法，即训练标准DCNN进行图像分类，然后将DCNN特征聚类成字典，并建议用组合模型混合以解决空间激活模式的重要变化问题。该研究表明，组合模型与DCNNs的结合解决了当今深度学习方法在计算机视觉中的基本问题，即在未曾接受训练的情况下识别部分遮挡的物体，同时对不发生遮挡的物体保持高识别性能。

May, 2019

本文提出一种名为SG-Det的模型，使用一种新颖的嵌入机制来联合利用检测框的语义和几何特征，从而在面对类内遮挡较多的场景时显著提高了检测召回率，特别适用于城市场景的汽车和行人检测，在KITTI和CityPersons数据集上展示了SG-Det模型的最优性能。

Dec, 2019

本研究旨在提出一种称为“组合卷积神经网络”的模型，通过整合组合模型和卷积神经网络的特性，能够在部分遮挡的情况下进行分类和定位，与传统的卷积神经网络比较表现出更强的鲁棒性和准确性。

Mar, 2020

本研究提出了 CompositionalNets，一种将深度卷积神经网络和基于部件的模型统一起来的可解释深度体系结构，具有天生的部分遮挡鲁棒性，同时能够将图像分解为对象和上下文，并基于非遮挡部分的对象来识别遮挡对象。实验结果表明，CompositionalNets在分类和检测部分遮挡对象方面比传统的深度卷积神经网络有显著的优势，并可以准确地定位遮挡物。

Jun, 2020

本研究提出了一种采用深度神经网络进行多对象实例分割的方法，该方法能够通过bounding box监督训练，具有鲁棒性并能处理复杂场景中的遮挡问题，从而提高图像分类精度。

Dec, 2020

本文通过引入遮挡，利用斯坦福汽车数据集，创建综合分析模型，研究了不同模型在不同遮挡条件下的性能，可以进一步用于视频交通数据分析处理犯罪、收入预测等领域。

Apr, 2023

本研究针对深度学习模型在部分遮挡条件下的识别能力不足的问题，提出了基于现实和人工遮挡图像的图像识别遮挡数据集（IRUO）用于测试和基准评估主流方法的鲁棒性。研究发现现代CNN模型在遮挡图像上的识别准确率较早期模型有所提高，而ViT模型在遮挡图像上的表现更优，接近人类识别的准确率，但某些遮挡类型仍显著影响模型的表现。

Sep, 2024