arXiv cs.AI· Chibueze Praise Onyenweaku, Toyibat Adele, Sikirulahi Opeyemi Abdulkareem, Obed Honour Eje·· 10 小时前AI 评分31
Occlusion for Free：利用两种单目距离线索的分歧检测遮挡
Occlusion for Free: Detecting Occlusion from the Disagreement Between Two Monocular Distance Cues
AI 导读
研究者提出一种无需训练、无需遮挡标注的遮挡检测方法：利用检测框表观高度基本不受遮挡影响、而单目度量深度会被遮挡物拉近这一分歧，仅凭两者排序即可判断遮挡。
正文 · AI 翻译
摘要：知道行人被遮挡对机器人是有用的，即使检测器无法恢复被遮挡的像素，但遮挡估计器通常是在部署环境很少具备的遮挡标注上训练的。我们表明，遮挡可以从仅用摄像头的流程已经计算出的两个距离估计中读出。表观高度基本不受遮挡影响，因为检测框仍然覆盖整个人；单目度量深度会被拉向遮挡物，因为深度图报告的是框内最近的表面。只有它们的顺序重要，因此不需要焦距、身高或深度尺度，前提是深度模型的误差接近纯增益，这一条件可以在没有标签的情况下检查。该分数在 KITTI 上检测严重遮挡的 AUC 为 0.909（在所有标注行人上为 0.888，包括检测器漏检的行人），无需训练，也无需遮挡标签，并且不是距离的代理：在固定距离区间内，其 AUC 保持在 0.894-0.925，而仅用真实距离则接近随机水平。在具有实测可见度的合成 CARLA 场景中，该分数达到 0.819，而仅用距离为 0.644。我们是在测量了三种标准的遮挡架构响应——深度融合、遮挡模拟增强和注意力——之后得出这一结论的，在我们测试的配置中，这些方法都没有改善训练分布之外的检测；我们还发现，在德国道路上训练的检测器在尼日利亚拉各斯的自标注街景上损失了一半的准确率。在基准测试无法代表的场景中，不需要本地标注的信号更有价值。
| 评论： | 被 NeurIPS 2026 GlobalSouthAI Workshop 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06899 [cs.CV] |
| （或 arXiv:2611.06899v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06899 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Obed Eje 先生 [查看电子邮件]
[v1]
2026年11月4日星期三 18:49:13 UTC（305 KB）
来源：arXiv cs.AI · arxiv.org