Now You See Me：面向部分遮挡的鲁棒方法

物体遮挡是计算机视觉中不可避免的问题之一。尽管卷积神经网络（CNN）为常规图像分类提供了多种最先进的方法，但它们在部分遮挡图像的分类上效果并不理想。部分遮挡是指物体被其他物体或空间部分遮蔽的情形。该问题一旦解决，将极大促进多种应用场景。我们特别关注自动驾驶场景及其影响。自动驾驶研究是近十年的热点，在不同角度下驾驶标志、行人或其他物体存在大量部分遮挡情况。考虑到其在交通数据视频分析（用于犯罪处理、预估不同群体收入水平等）等可进一步拓展情形中的重要性，该方法具有多方位的挖掘潜力。本文利用 Stanford Car Dataset 并添加不同大小和性质的遮挡，构建了自有的合成数据集。在该数据集上，我们使用 VGG-19、ResNet 50/101、GoogleNet、DenseNet 121 等多种最先进 CNN 模型进行了综合分析。我们进一步深入研究了不同遮挡比例与性质对这些模型性能的影响，包括从零训练和微调，以及在不同训练场景（即用遮挡图像与无遮挡图像训练）下的表现、哪种模型对部分遮挡更鲁棒等。