张胜虎，马惠敏

遮挡对于目标检测的影响分析

张胜虎1，马惠敏2

(1. 清华大学电子工程系，北京 100084； 2. 北京科技大学计算机与通信工程学院，北京 100083)

当前目标检测任务中遮挡问题是一项具有挑战性的工作，由于存在遮挡导致物体的整体特征结构遭到破坏，在检测过程中容易发生漏检、误检等问题。常见遮挡处理方法在很大程度上提高了遮挡检测效果，然而对遮挡构成因素和不同遮挡比例对于检测性能的影响情况，目前并没有具体量化分析。对此，从数据驱动方法出发，通过仿真方式构建生成大量均匀分布的遮挡数据集(MOCOD)，在此数据集上分析不同遮挡比例下的检测性能，量化分析了不同遮挡对于检测性能的影响情况，在分析的基础上，通过按遮挡比例引入衰减权重方式来筛选高质量的正样本参与模型训练，有效提升了遮挡情况下的检测性能。

深度神经网络；目标检测；遮挡处理；遮挡数据集

目标检测任务是计算机视觉领域的重要基础，其目的是检测图像或视频中是否存在特定类别的目标物体，并确定其所在区域坐标及类别信息。近年来随着深度学习技术研究的快速发展，目标检测任务在检测准确率和速度上都得到了巨大提升，然而在实际场景中目标物体面临复杂背景条件、多姿态旋转、多尺度变化及遮挡等问题，检测时可能造成存在不同程度的漏检、误检现象，严重干扰、限制了检测性能的提升。如何有效解决不同遮挡条件下的物体检测，是当前目标检测需要解决的难点问题之一。……