从论文到落地：Repulsion Loss在单阶段与两阶段检测器中的差异全解析

原创 于 2026-02-20 09:26:55 发布 · 349 阅读 · 5
标签
#Repulsion Loss #目标检测 #密集人群检测 #YOLOv4

Repulsion Loss在目标检测中的实战困境：从理论假设到工程适配的深度解构

密集人群检测一直是计算机视觉领域的"硬骨头"。当行人肩并肩站立时，传统检测器的边界框往往会重叠合并，导致漏检或误检。2018年提出的Repulsion Loss看似给出了优雅的解决方案——通过让预测框"排斥"邻近非目标框来缓解遮挡问题。但当我们真正将其移植到YOLOv4等单阶段检测器时，效果却令人大跌眼镜。这背后究竟隐藏着怎样的理论假设与工程现实之间的鸿沟？

1. 重新审视Repulsion Loss的设计哲学

Repulsion Loss的论文标题直指"人群中的行人检测"，其核心思想源自对现实场景的三重观察：

  1. 遮挡的必然性：密集场景中，目标间物理遮挡导致视觉特征相互干扰
  2. 边界框的竞争：相邻目标的预测框会争夺有限的锚框资源
  3. NMS的局限性：传统非极大值抑制会误删正确但重叠的预测

该损失函数由三个关键项构成：

损失项 数学表达 设计意图 适用阶段
Attraction项 Smooth L1(预测框, 目标GT) 确保基础检测精度 所有检测器
RepGT项 1-IoU(预测框, 邻近GT) 防止预测框吸附到错误目标 两阶段更有效
RepBox项 IoU(预测框, 邻近预测框) 避免预测框相互吞噬 依赖前置预测框
<
最低0.47元/天 解锁文章
repulsion_loss_ssd:排斥力损失
05-18
使用SSD实施排斥力损失 从，该文件是Wei Wei，Dragomir Anguelov，Dumitru Erhan，Christian Szegedy，Scott Reed，Cheng-Yang和Alexander C.Berg于2016年发表的论文的的实现。 官方的和原始的Caffe代码可以在找到。 目录 安装 通过在网站上选择您的环境并运行适当的命令来安装PyTorch 。 克隆此存储库。 注意：我们目前仅支持Python 3+。 然后按照以下说明下载数据集。 现在，我们支持Visdom在培训期间进行实时损失可视化！ 要在浏览器中使用Visdom，请执行以下操作： # First install Python server and client pip install visdom # Start the server (probably in a screen or tm
yolov5+Repulsion损失函数，解决密集遮挡问题(附带代码可用)
qq_42754919的博客
09-12 3962
yolov5+RepLoss，解决密集遮挡问题
Repulsion loss的详细理解
Aced96的博客
09-28 6343
本文由同济大学和北京大学合作发表于CVPR2018，聚焦于loss层面，为遮挡情况下的行人检测问题提供了一种行之有效的解决方案。 论文：https://arxiv.org/abs/1711.07752 一、问题提出 1.行人遮挡会造成什么问题 当我们在做行人检测时，人与人之间会存在互相遮挡。遮挡会造成2个问题： 1.设红色框为目标框T（man）的预测框P，旁边也有个真实框B（woman），我们的P可能会被往B去移动（shift）。 2.检测器对NMS的阈值的选取更为敏感。如果NMS阈值选取过小，周围的目标.
Repulsion loss：专注于遮挡情况下的行人检测
weixin_42495721的博客
12-22 3399
Repulsion loss一、背景介绍二、主要内容1.遮挡分析2.Repulsion loss3.实验分析总结 一、背景介绍 与通用目标检测相比，遮挡情况在行人检测中更为普遍，为此也是行人检测领域最广为关注的问题之一。现实场景中行人的遮挡情况主要分为两种情况： 一种是其他物体对行人的遮挡，这往往会带来目标信息的缺失，进而导致漏检； 另一种是行人个体之间的相互遮挡，这往往会引入大量的干扰信息，进而导致更多的虚检。 本文重点解决的是后一种情况导致的遮挡问题。作者将对这一问题进行了深入思考，并从loss的层面
YOLOv8改进遮挡损失函数Repulsion Loss：目标检测中解决遮挡问题
ZuoProgramming的博客
09-19 3653
而Repulsion Loss通过在损失函数中引入一项相互排斥的正则项，可以在训练过程中惩罚目标之间的相互遮挡，从而提高目标检测的准确性。通过使用Repulsion Loss，我们可以在YOLOv8检测器中有效地解决目标遮挡的问题，提高检测算法在密集人群等复杂场景下的准确性。当然，除了Repulsion Loss，还有许多其他方法和技术可以用于遮挡问题的处理，研究人员们在不断探索和改进中，希望能够为目标检测算法带来更好的性能和鲁棒性。在模型的前向传播方法中，我们可以根据需要定义模型的具体结构和逻辑。
论文笔记之Repulsion Loss: Detecting Pedestrians in a Crowd
加油
02-16 1377
摘要 在本文中，我们首先通过实验探索最先进的行人检测器如何受到人群遮挡的伤害，从而提供对人群遮挡问题的见解。 然后，我们提出了一种专门针对人群场景设计的新颖的边界框回归损失，称为排斥力。 这种损失是由两个动机驱动的：目标的吸引力和周围其他物体的排斥。 排斥项可以防止提案移至周围的对象，从而导致人群拥挤的定位。 经过排斥损失训练的我们的探测器性能优于最新方法，在遮挡情况方面有显着改善。 遮挡问题 在...
芒果YOLOv5改进05：损失函数IoU 篇之Repulsion Loss：原创改进损失函数 Repulsion：解决目标遮挡场景下检测，为解决密集人群检测中遮挡设计的损失函数，打造高效检测器涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-10 4452
YOLOv5改进代码实践｜结合Repulsion 解决目标遮挡场景下检测🚀
解决目标检测中密集遮挡问题——Repulsion loss
Tianlock的博客
03-29 9892
解决目标检测中密集遮挡问题——Repulsion lossRep lossAttrRepGTRepBox 之前参加了df的钢筋检测比赛，比赛中的一个难点是密集遮挡问题，为了解决这个问题，参考了之前旷视针对人群检测中密集遮挡问题而提出的Reploss，这篇论文收录于cvpr2018。我把Reploss的思路拿过来用在钢筋检测中，效果还是不错的，在这里记录一下这篇论文。 在目标检测中，遮挡问题是比较常...
Repulsion Loss: 解决行人检测中密集遮挡问题
The space of Shining
03-15 1935
论文题目：Repulsion Loss: Detecting Pedestrians in a Crowd 论文链接：https://arxiv.org/abs/1711.07752 motivation： 目标检测的目的是使产生的proposal能更加接近真是目标框GT，而行人检测中经常会遇到行人密集拥挤的情况，文中称作crowd occlusion，使得训练输出的预测框会由于周围其他目标的影响...
Repulsion Loss：为解决密集人群检测中遮挡设计的损失函数
安卓 高通 bsp ，同行欢迎交流
04-26 4509
最近终于实现了darknet（yolov4）与repulsion的结合。但是结果奇差无比。仔细阅读论文，发现repulsion loss基本上是为了提升数据集的指标而设计的。实际中很那应用，并且局限于两阶段检测器（个人猜想。） Markdown将文本转换为 HTML。 题目：Repulsion Loss: Detecting Pedestrians in a Crowd 原文章地址：Repulsion Loss: Detecting Pedestrians in a Crowd 引言 我们来分析一下论.
YOLOv8进阶：SEAM注意力与Repulsion Loss双剑合璧，突破遮挡检测瓶颈
FJN110的博客
11-22 202
做目标检测时，最头疼的莫过于目标被遮挡的场景——行人被树木挡住一半、车辆被广告牌遮挡部分轮廓……这些情况往往让模型“犯迷糊”。但现在，有了SEAM注意力模块和Repulsion Loss排斥损失，我们就能让YOLOv8在遮挡场景下也能“拨开迷雾见真章”。这篇教程会带你一步步理解这两个技术，并亲手把它们融入YOLOv8，让你的检测模型在复杂场景下也能稳如泰山。
Repulsion Loss在遮挡行人检测中的关键作用与实现解析
最新发布
weixin_29044157的博客
02-15 326
本文深入解析了Repulsion Loss在解决密集场景下行人检测难题中的关键作用。该损失函数通过引入对真实框和预测框的排斥力，有效防止了预测框偏移和NMS误删，显著提升了模型在遮挡情况下的检测精度。文章结合核心机制解析与PyTorch代码实现，为开发者优化目标检测模型提供了实用指南。
目标追踪与定位学习笔记8-排斥损失：检测人群中的行人
qq_33977080的博客
05-26 1271
Repulsion Loss: Detecting Pedestrians in a Crowd 排斥损失：检测人群中的行人 论文链接：arXiv 1. 论文思路 本文通过为拥挤场景设计普通边界框回归损失，即排斥损失。这种损失分为两部分：目标的吸引和周围其他物体的排斥。排斥损失可以防止proposals转移到周围的对象从而有更强的鲁棒性。 解决的问题：当目标行人T被另一个行人B重叠时，因为检测器混淆导致以T为界限的预测框很可能会转移到B，从而导致定位不准确。更进一步，NMS使得从T偏移的边界框可能被B的预测
Repulsion Loss: Detecting Pedestrians in a Crowd 详解（遮挡下的行人检测）
gbyy42299的博客
11-11 7158
最近做新人检测Re-ID的工作，刚好记录一下对论文的阅读和个人理解。文章中部分内容为引用别人的，我在文章最后也给出了引用的文章链接。如有侵权，请联系我删除。 一、综述 行人检测中遮挡分为两种类型，一种是由于非目标造成的遮挡，文中作者称为Reasonable-occlusion，另外一种是由于也是需要检测的目标造成的遮挡，作者称为Reasonable-crowd。对于前一种类型遮挡，很难有针对性的办...
Repulsion Loss 论文笔记
qq_23368835的博客
10-31 2168
论文: Repulsion Loss: Detecting Pedestrians in a Crowd 论文地址: https://arxiv.org/abs/1711.07752 代码地址: https://github.com/bailvwangzi/repulsion_loss_ssd 这是一篇 face++ 和同济大学联合出品的论文，主要的 motivation 是解决密集人群中的遮挡检...
（CVPR2018）Repulsion Loss: Detecting Pedestrians in a Crowd
qq_36237800的博客
10-28 1828
论文链接：https://arxiv.org/abs/1711.07752 解决问题 遮挡给目标检测带来了极大的挑战，而遮挡通常可以分为两类：类内遮挡（不同种类目标遮挡）和类间遮挡（同一种类目标遮挡，也称为密集遮挡）。文章通过提出新的损失函数（Repulsion Loss)主要解决了行人检测中的密集遮挡，极大提升了检测器的性能。 主要思想 密集遮挡给行人检测主要带来两种负面影响： 1...
【YOLOv8改进[Neck]】小目标遮挡检测的性能提升（SEAM、MultiSEAM）- 目标遮挡检测（本文包含代码 + 修改方式等全部内容）
静谧、淡雅
05-27 2861
小目标遮挡检测的性能提升（SEAM、MultiSEAM）- 目标遮挡检测（本文包含代码 + 修改方式等全部内容）,YOLOv8改进。Neck。
Repulsion Loss解决行人遮挡问题
码农ZZK的博客
08-30 2251
介绍 本文是旷视研究院CVPR2018上的一篇工作，在检测行人任务中，由于行人之间互相遮挡，导致传统的检测器容易受遮挡的干扰，给出错误的预测框。 研究人员先是从数据集上进行分析，定量描述了遮挡对行人检测带来的影响。后面受吸引，排斥的启发，提出了Repulsion Loss来尽可能让预测框贴近真实框的同时，又能与同类排斥，进而避免误检。 问题引入 常见的遮挡问题可以再被细分为主要两类 类间遮挡，即目标被其他类遮挡住。举个例子，一个行人遛狗，人体下半部分就可能被狗狗遮住 类内遮挡，目标物体被同类遮挡住，
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值