英文原标题:Occlusion for Free: Detecting Occlusion from the Disagreement Between Two Monocular Distance Cues

本文为英文原文的机器翻译摘要,原文见:arXiv cs.AI ↗

即使检测器无法恢复被遮挡的像素,知道行人被遮挡对机器人仍然有用,但遮挡估计器通常是在部署环境中很少具备的遮挡标注上训练的。我们表明,遮挡可以从仅用相机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),无需训练和遮挡标签,并且不是距离的代理:在固定距离带内它保持

站内导航