遮挡感知学习范式：拥挤场景中行人检测的突破性解决方案

这篇研究创新性地提出遮挡感知学习范式（Occlusion Perception Learning Paradigm），通过设计遮挡感知解码器（OPD）、损失函数（OPL）和互补机制（OPC），首次从显式建模遮挡本质的角度提升拥挤场景行人检测性能。该方法在CityPersons等数据集上将遮挡目标召回率提升至95.4%（+22.6%），为自动驾驶等视觉任务提供了新思路。

　　

Highlight

本研究通过分析遮挡现象的本质，提出遮挡感知学习范式，显著提升拥挤场景行人检测性能。实验证明，该方法对遮挡目标的召回率提升达22.6%，在CityPersons等数据集上表现优异。

Object detection in crowded scenes

拥挤场景下的目标检测仍是挑战性任务，现有研究（如Chu等2020、Rukhovich等2021）指出遮挡是主要瓶颈。本文突破传统隐式建模思路，首次通过显式感知遮挡区域提升特征鲁棒性。

Method

基于空间分布分析（Section 3.1），我们设计三大核心组件：

1. 1.

   遮挡感知解码器（OPD）：基于Transformer结构预测遮挡区域

2. 2.

   遮挡感知损失（OPL）：利用高斯模糊生成真实标注

3. 3.

   遮挡感知互补（OPC）：将感知图融入检测解码器

Experiments

在CrowdHuman和CityPersons数据集上的实验表明：

• 遮挡目标召回率达95.4%（提升22.6%）

• 在轻度拥挤场景（如CityPersons）改进显著

• 模型对各类拥挤场景均具鲁棒性

Conclusion

本研究首次从特征完备性角度解决遮挡问题，提出的OPD-OPL-OPC框架为拥挤场景检测提供新范式。未来可扩展至其他遮挡敏感的生物医学图像分析领域。

CRediT authorship contribution statement

Xuexue Li：概念提出、方法论设计、软件实现

Xuan Li：数据整理、论文撰写

Declaration of competing interest

作者声明无经济利益冲突，Xuexue Li与中国科学院大学存在非财务关联。