无需标注检测遮挡：双单目距离线索分歧法

机器人感知系统常需判断行人是否被遮挡，但遮挡标注数据在真实部署中极难获取。一项新研究提出，仅利用单目相机管线已计算出的两种距离估计——表观高度和单目度量深度——之间的序关系分歧，就能在没有训练、没有遮挡标签的情况下检测遮挡。该方法在KITTI数据集上对严重遮挡行人的检测AUC达到0.909，且不随距离变化而失效，为跨域部署提供了新思路。

遮挡检测的标注困境与现有方法局限

在机器人应用中，知道行人被遮挡本身就有价值，即使检测器无法恢复被遮挡的像素。问题在于，遮挡估计器通常依赖遮挡标注进行训练，而实际部署场景很少具备这类标注。例如，在德国道路训练的检测器迁移到尼日利亚拉各斯的自标注街道场景时，准确率下降了一半。这种域偏移暴露了依赖局部标注的脆弱性。

研究团队首先评估了三种标准架构对遮挡的应对方式：深度融合、遮挡模拟增强和注意力机制。在所测试的配置下，这三种方法均未能在训练分布之外提升检测性能。这促使作者转向寻找无需局部标注的信号。

核心思路：两种距离线索的序关系分歧

该方法的关键观察是：表观高度受遮挡影响很小，因为检测框仍然覆盖整个人；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表面。于是，只需比较两种距离估计的序关系——表观高度推断的距离与深度图给出的距离——就能推断遮挡。

由于只依赖序关系，该方法不需要焦距、身高或深度尺度。前提是深度模型的误差接近纯增益，这一条件可以在无标签的情况下检查。作者强调，该分数并非距离的代理：在固定距离区间内，其AUC保持在0.894–0.925，而仅用真实距离的AUC接近随机水平。

表观高度指图像中行人检测框的像素高度。在针孔相机模型下，同一物体在图像中的高度与距离成反比：距离越远，成像越小。因此，若已知行人典型身高和相机焦距，可由检测框高度反推距离。但该方法不需要这些参数，因为它只比较不同行人之间的相对序关系，而非绝对距离。遮挡发生时，检测框通常仍覆盖行人可见与不可见部分，故表观高度变化不大，使其成为遮挡不敏感的距离线索。

单目度量深度指从单张RGB图像估计每个像素的绝对深度（单位通常为米）。深度图报告的是每个像素对应场景表面的最近距离。当行人被遮挡时，检测框内包含遮挡物（如车辆、栏杆），这些遮挡物通常比行人更靠近相机，导致深度图在框内的统计值（如中位数或均值）偏向更近的距离，从而系统性地低估行人距离。这种偏差正是序关系分歧的来源。

实验验证与跨域表现

在KITTI数据集上，该方法对严重遮挡行人的检测AUC为0.909；当纳入所有标注行人（包括检测器漏检的）时，AUC为0.888。在带有测量可见度的合成CARLA场景中，该方法达到0.819，而仅用距离的AUC为0.644。这些结果在多个来源的评测中保持一致，表明序关系分歧信号具有鲁棒性。

你可能没注意到，该方法无需训练和遮挡标签，这使其特别适合标注稀缺的部署环境。作者指出，在基准测试未能代表的场景中，无需局部标注的信号更有价值。

AUC（Area Under the ROC Curve） 是衡量二分类器性能的常用指标，取值0.5表示随机猜测，1.0表示完美区分。在遮挡检测任务中，AUC衡量的是：随机选取一个被遮挡行人和一个未被遮挡行人，模型给被遮挡者打分更高的概率。AUC=0.909意味着约91%的样本对能被正确排序。AUC对类别不平衡不敏感，适合遮挡样本较少的情况。

KITTI数据集是自动驾驶领域经典的基准数据集，包含市区、乡村和高速公路场景的同步相机图像、激光雷达点云和GPS/IMU数据，并提供行人等目标的标注框。其行人标注包含遮挡程度等级（如0、1、2、3），但该研究并不使用这些遮挡标签进行训练，仅用于评估。KITTI的多样性使其成为检验跨域泛化能力的常用平台。

对机器人感知的启示

这项研究提示，利用现有管线中已计算出的互补线索，可能比引入复杂架构更有效。深度融合、数据增强和注意力机制在分布外场景的局限，反衬出简单序关系信号的价值。对于需要在多样环境中工作的机器人系统，这种无需标注的遮挡检测方法提供了一条低成本、可迁移的路径。

不过，该方法依赖深度模型误差接近纯增益的假设，在深度估计偏差复杂的场景中可能受限。未来工作可探索更多距离线索的组合，以及在更多样化数据集上的验证。