零成本遮挡检测：利用两种单目距离线索之间的分歧检测遮挡

即使检测器无法还原被遮挡的像素，知道行人受到遮挡对机器人仍然很有用，但遮挡估计器通常需要使用遮挡标注进行训练，而实际部署环境中很少有这类标注。我们表明，可以直接从纯相机处理流程已计算出的两种距离估计中判断遮挡。由于检测框仍然覆盖整个人，表观高度基本不受遮挡影响；而单目度量深度则会偏向遮挡物，因为深度图给出的是框内最近表面的深度。只需关注两者的大小关系，因此不需要焦距、身高或深度尺度，前提是深度模型的误差近似为纯增益误差，而这一条件无需标签即可检验。该评分在 KITTI 上检测严重遮挡的 AUC 达到 0.909（在所有已标注行人上，包括检测器漏检的行人，AUC 为 0.888），无需训练，也无需遮挡标签，并且并非距离的替代指标：在固定距离区间内，其 AUC 保持在 0.894–0.925，而仅使用真实距离的表现接近随机水平。在具有实测可见度的 CARLA 合成场景中，其 AUC 达到 0.819，而仅使用距离时为 0.644。在得出这一结果之前，我们评估了三种应对遮挡的标准架构方案：深度融合、模拟遮挡的数据增强和注意力机制。在我们测试的配置中，它们均未改善训练分布之外的检测表现。此外，我们还发现，在德国道路数据上训练的检测器，在我们自行标注的尼日利亚拉各斯街景上的准确率下降了一半。在基准测试未能代表的环境中，无需本地标注的信号更具价值。