抗部分遮挡的鲁棒方法
本文提出了一种基于 And-Or 模型的学习方法，用于表示汽车检测和视点估计中的上下文和遮挡，并且是一种弱监督的学习方法。通过三个层次来表示汽车之间的上下文和遮挡配置，并且采用动态规划算法进行推理。该方法在四个汽车检测数据集和三个汽车视点估计数据集上与现有的方法相比，均获得了显著的改善结果。
Jan, 2015
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
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
本文提出了一种新颖的迭代多任务框架，用于完成遮挡车辆的分割掩膜并恢复其不可见部分的外观，并在包含合成和真实世界图像的数据集上表明了我们的方法优于现有方法，同时也证明了外观恢复方法在遮挡车辆跟踪中的应用价值。
Jul, 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
本文提出了一种利用语境感知的 Compositional 物体检测网络，通过对上下文的切分以及扩展部件投票机制来解决部分物体被遮挡的问题，实验表明该模型在检测上表现出了强大的鲁棒性。
May, 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