摘要

现代目标检测和实例分割网络在处理拥挤或严重遮挡场景中的人类时表现不佳。然而，这些往往是需要我们的检测器能够良好工作的场景。许多研究通过模型中心的改进方法来解决这一问题。尽管这些监督方法在一定程度上被证明有效，但为了最大化改进效果，它们仍然需要在训练过程中提供足够多的相关示例（即遮挡的人类）。在我们的工作中，我们提出了一种简单而有效的数据驱动方法——遮挡复制粘贴（Occlusion Copy & Paste），以在训练过程中向模型引入遮挡示例——我们将通用的复制粘贴增强方法进行了调整，专门应对同类遮挡这一难题。该方法仅通过利用现有的大规模数据集就能免费提升遮挡场景下的实例分割性能，无需额外的数据或人工标注。通过一项系统性的研究，我们展示了各种提出的复制粘贴增强附加组件是否确实有助于提高性能。我们的遮挡复制粘贴增强方法可以轻松与任何模型互操作：只需将其应用于最近的一个通用实例分割模型，而无需显式设计模型架构来应对遮挡问题，我们就在极具挑战性的OCHuman数据集上实现了最先进的实例分割性能。源代码可在 https://github.com/levan92/occlusion-copy-paste 获取。