在处理视觉检测中的动态遮挡问题时，可以采取以下几种策略：
1. 优化非极大值抑制（NMS）算法：
传统的NMS算法在遮挡严重的情况下，可能会将多个边界框合并为一个，从而造成漏检。
改进的方法，如Soft-NMS和DIOU-NMS，采用软阈值处理，对大于nms_thresh阈值的边框不直接抑制，而是根据交并比情况将抑制边框的置信度进行加权缩小处理或进行中心点距离判断，从而提高检测准确率。
2. 优化损失函数：
在目标检测任务中，损失函数用于估量模型预测值与真实值的不一致程度。
通过优化损失函数，如改进回归损失函数与动态非极大值抑制的目标检测框架，可以提高检测框的精确度与网络收敛速度，特别是在严重遮挡状态下。
例如，引入额外的损失项，使proposal尽量远离和它overlap的第二大的GT，以及使被assign到不同GT的proposal之间尽量远离，从而减少NMS时的误检。
3. 使用3D占有率建模遮挡关系：
在图像匹配任务中，遮挡关系可以通过3D占有率来建模，从而在遮挡区域中推断匹配点。
这种方法结合了注意力层和旋转对齐，以实现遮挡点和可见点之间的匹配，特别适用于处理由相机运动和场景结构引起的遮挡问题。
4. 综合运用多种理论和方法：
处理遮挡问题可能需要综合运用计算机视觉、图像处理、微分几何学等理论和方法。
例如，在视觉测量中，可以基于视觉目标的视差图，分析比较不同的立体匹配算法，并针对匹配过程中出现的遮挡现象引入新的算法来解决。
5. 增加训练样本的多样性：
对于某些类型的遮挡，如待检测目标之间的相互遮挡，可能很难有针对性的解决办法。
在这种情况下，使用更多的数据和更强的特征可能是一种有效的策略。
处理视觉检测中的动态遮挡问题可以从优化NMS算法、优化损失函数、使用3D占有率建模遮挡关系、综合运用多种理论和方法以及增加训练样本的多样性等方面入手。这些方法可以根据具体的应用场景和需求进行选择和组合。
