QHIS-Net：查询引导的拥挤场景人体实例分割网络

《Electronics》：Query-Guided Refinement and Separation for Crowded Human Instance Segmentation

　　拥挤场景下的人体实例分割面临小目标、部分遮挡、人与人紧密接触和边界粘连等挑战，这些问题常导致漏检、掩膜不完整及实例合并。本文提出QHIS-Net（查询引导的人体实例分离网络），这是一种查询引导的细化与分离框架，同时解决查询内局部掩膜退化与查询间响应冲突问题。遮挡感知人体掩膜细化模块（OHMRM）利用边界和不确定性感知权重，将查询条件残差校正聚焦于局部退化的人体掩膜区域，从而提升实例恢复和掩膜完整性，而非仅作为轮廓锐化模块。相邻实例分离约束模块（AISCM）作为该恢复机制的补充，在训练过程中选择性地惩罚高置信度人体查询之间过度的软重叠，且不增加推理阶段的分支。我们将CIHP解析标注转换为COCO风格的人体实例掩膜以进行评估，并在OCHuman上进行跨数据集泛化测试，无需微调。在CIHP-val上，与M2FP相比，QHIS-Net将AP从0.764提升至0.774，AP50从0.841提升至0.850，AP75从0.186提升至0.212。在OCHuman上，AP从0.416提升至0.425。针对性的分析进一步表明，在接触实例分离、实例恢复方面均有改善，并且在最高密度子集上优势更为显著。