## 一、目標檢測的痛點與YOLO的局限性
在自動駕駛、智能監控等復雜場景中，目標檢測算法常面臨致命挑戰——遮擋問題。當多個物體相互遮擋時，傳統檢測器容易出現漏檢、誤檢現象，YOLO系列算法盡管在速度與精度上表現優異，但在處理密集遮擋目標時仍存在明顯短板。

### 1.1 遮擋問題的本質分析
遮擋現象可分為兩類：
- **類間遮擋**：不同類別物體間的遮擋（如人群中的交通標志）
- **類內遮擋**：同類物體間的相互遮擋（如密集排列的商品）

現有YOLO算法主要依賴邊界框回歸和置信度預測，當多個候選框高度重疊時，NMS（非極大值抑制）會錯誤地過濾有效預測，導致召回率下降。

### 1.2 傳統改進方案的局限
- **數據增強**：通過模擬遮擋提升魯棒性，但無法處理真實場景中的復雜遮擋模式
- **多尺度預測**：增強小目標檢測能力，對遮擋目標的定位精度提升有限
- **特征金字塔**：改善特征表達能力，但未解決預測框間的競爭關系

## 二、Repulsion損失函數的理論突破
Repulsion損失通過引入預測框間的排斥機制，從根本上改變檢測器的優化目標，實現從"獨立預測"到"關系感知"的范式轉變。

### 2.1