论文提出免训练遮挡检测法，仅靠两种单目距离线索的分歧判断遮挡
论文AI 评分 72/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇被 NeurIPS 2026 GlobalSouthAI Workshop 接收的论文提出，遮挡信息可以从纯视觉流程已经算出的两个距离估计中读出。遮挡对表观高度影响很小，因为检测框仍覆盖整个人；而单目度量深度会被遮挡物拉近，因为深度图报告的是框内最近的表面。方法只依赖两者的排序关系，不需要焦距、身高或深度尺度，前提是深度模型误差接近纯增益，而这一条件可在无标注下检验。在 KITTI 上检测重度遮挡 AUC 为 0.909，覆盖全部标注行人时为 0.888，无需训练和遮挡标注；在固定距离带内 AUC 为 0.894 至 0.925，而单用真实距离接近随机。合成 CARLA 场景中为 0.819，单用距离为 0.644。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从两个已有距离量读出遮挡
论文的出发点是：机器人即使无法恢复被遮挡行人的像素，知道该行人被遮挡也有用，但遮挡估计器通常依赖部署环境很少具备的遮挡标注。作者提出，遮挡可以从相机流程已经计算出的两个距离估计中读出。表观高度受遮挡影响不大，因为检测框仍横跨整个人；单目度量深度则会被遮挡物拉近，因为深度图报告的是框内最近的表面。方法只使用两者的排序关系，因此不需要焦距、身高或深度尺度，前提是深度模型误差接近纯增益，而这一条件可以在没有标注的情况下检验。
KITTI 与 CARLA 上的量化结果
在 KITTI 上，该分数检测重度遮挡的 AUC 为 0.909；覆盖全部标注行人、包括检测器漏掉的那些时，AUC 为 0.888。整个过程不需要训练，也不需要遮挡标签。作者强调它不是距离的代理指标：在固定距离带内，AUC 保持在 0.894 至 0.925，而单用真实距离接近随机。在带有实测可见度的合成 CARLA 场景中，该方法达到 0.819，单用距离为 0.644。
被排除的三种常规做法
作者先测量了三种针对遮挡的标准架构应对方式：深度融合、遮挡模拟增强和注意力机制。在他们测试的配置下，这三种方式都没有改善训练分布之外的检测效果。另一项观察是，在德国道路数据上训练的检测器，在尼日利亚拉各斯自行标注的街景上损失了一半准确率。作者由此认为，在基准测试未能代表的场景中，不需要本地标注的信号更有价值。
为什么值得看
面向缺少遮挡标注的部署场景，给出一种免训练、免标注的遮挡判断信号，并附跨数据集精度下降的实测。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。