OASIC：遮挡无关且严重程度感知的分类

严重遮挡的对象在计算机视觉中是一个主要挑战。我们指出，两个根本原因是 (1) 可见信息的丢失 (2) 来自遮挡物的分散性模式。我们的解决方案同时处理这两个问题。首先，通过遮挡遮挡物产生的分散性模式以测试时移除这些分散性模式。这种遮挡方式不依赖于遮挡类型，通过将遮挡处理为相对于感兴趣对象的视觉异常来实现。其次，为了应对更少的视觉细节，我们遵循标准做法，在训练时对对象的随机部分进行遮挡，以处理各种遮挡程度。我们发现：(a) 在测试时可以估计遮挡的程度（即严重程度），且 (b) 针对特定遮挡程度优化的模型在测试时的类似程度也表现最佳。将这两个洞察结合起来，我们提出了严重程度感知的遮挡无关分类模型 OASIC：Occlusion Agnostic Severity Informed Classification。我们估计测试图像的遮挡严重程度，遮挡遮挡物，然后选择针对该遮挡程度优化的模型。该策略比任何针对更小或更广范围遮挡程度优化的单个模型表现更好。实验表明，结合灰度遮挡和自适应模型选择比在被遮挡图像上的标准训练提高 +18.5，比在未遮挡图像上的微调提高 +23.7。