Окклюзия (перекрытие объекта) снижает точность детекции на 15–40% даже в предобученных моделях, превращая задачу распознавания в задачу вероятностного восстановления формы. Для достижения устойчивости к перекрытиям свыше 50% площади объекта, датасет должен содержать не менее 20% синтетически или естественно окклюзированных примеров.
Механика потери признаков при окклюзии
Когда объект перекрыт другим телом, нейросеть теряет ключевые локальные признаки (edge features). В архитектурах CNN это ведет к разрыву пространственных связей, а в ViT (Vision Transformers) — к смещению внимания (attention maps) на окклюент. Если перекрытие составляет более 30% площади объекта, вероятность ложноотрицательного результата (FN) растет экспоненциально: при 40% перекрытия точность mAP (mean Average Precision) падает в среднем на 12-18% по сравнению с чистыми изображениями.
Кейс: при обучении системы детекции автомобилей в городском трафике, игнорирование перекрытий столбами или знаками привело к падению точности распознавания на перекрестках с 94% до 72%. Решение заключалось во внедрении в выборку изображений с контролируемой окклюзией 25-45% площади объекта.
Экспертный вывод: Нельзя полагаться на «интуицию» модели; без явного обучения на частичных формах нейросеть будет воспринимать окклюзированный объект как два разных или как шум.
Экстраполяция форм и риск галлюцинаций
Способность модели «достроить» объект в уме называется экстраполяцией. Однако здесь кроется главный риск: при высокой степени перекрытия (>60%) модель начинает генерировать признаки, которых нет в кадре, основываясь на статистическом большинстве датасета. Это приводит к систематической ошибке, когда редкие модификации объекта всегда восстанавливаются как стандартные (например, редкий спорткар за деревом будет распознан как обычный седан).
Влияние этого процесса напрямую зависит от иерархии требований к датасетам в зависимости от архитектуры модели (CNN, ViT, GAN), где ViT за счет глобального контекста справляется с восстановлением форм на 5-8% лучше, чем классические сверточные сети, но сильнее склонен к ложноположительным срабатываниям.
Экспертный вывод: Экстраполяция — это палка о двух концах. Чтобы избежать галлюцинаций, необходимо балансировать датасет не только по классам, но и по степени перекрытия (от 0% до 80%).
Методы анализа потери видимых признаков
Для оценки того, сколько информации теряет модель, используется анализ карт активации (Grad-CAM). Практика показывает, что при частичном перекрытии фокус внимания смещается на границы раздела объекта и окклюента. Это создает «визуальный шум», который может быть ошибочно принят за характерный признак класса. Например, черная линия столба на фоне белого автомобиля может быть интерпретирована как дефект кузова или иная деталь дизайна.
Сравнение подходов: использование маскирования (Random Erasing) в процессе обучения повышает устойчивость к окклюзии на 7-12%, но замедляет сходимость модели на 15-20% по времени эпохи. В то же время, использование синтетических окклюзий (наложение случайных фигур) дает прирост точности на 4-6%, но хуже работает с реальными сложными перекрытиями.
Экспертный вывод: Оценивать качество датасета нужно через анализ ошибок на граничных значениях перекрытия (40-60%), так как именно здесь происходит коллапс распознавания.
Взаимосвязь ракурсов и степени перекрытия
Окклюзия критически зависит от точки съемки. При фронтальном ракурсе перекрытие 20% может скрыть ключевой идентификатор (например, фары авто), что обнуляет точность. При боковом ракурсе те же 20% перекрытия могут быть несущественными. Поэтому критерии оценки согласованности ракурсов в изображениях для нейросетей становятся определяющими при формировании выборки для работы в условиях плотной застройки или складов.
Мини-кейс: оптимизация датасета для складских роботов. Переход от случайных ракурсов к матрице «Ракурс × Степень перекрытия» (например, 45° сверху при 30% перекрытии) сократил количество ошибок идентификации грузов на 22% за две недели итераций.
Экспертный вывод: Окклюзия не рассматривается в отрыве от ракурса. Оптимальный датасет должен содержать комбинации «критический ракурс + высокая окклюзия».
Вывод
Для создания профессионального зрения нейросети необходимо уйти от концепции «идеальных снимков». Мой вердикт: внедряйте в обучение минимум 20% данных с контролируемой окклюзией (диапазон 30-60% перекрытия) и обязательно сочетайте это с анализом карт внимания Grad-CAM. Избегайте избыточного использования Random Erasing на финальных этапах обучения, чтобы не размыть точность локализации. Начинайте с синтетического наложения масок, но переходите на реальные перекрытия, так как разница в mAP между синтетикой и реальностью составляет до 5-7% в пользу последних.