检测不可见的人

单目目标检测与跟踪近年取得巨大进展，但依赖于一个关键假设：目标对相机可见。许多离线跟踪方法在目标重现后通过关联跟踪片段进行事后遮挡推理，利用重识别（ReID）。然而，具身机器人智能体（如自动驾驶车辆）中的在线跟踪从根本上要求物体恒存性，即在目标重现前对遮挡目标进行推理的能力。本工作中，我们重新利用跟踪基准并提出用于检测不可见目标任务的新指标，聚焦于行人这一典型情形。我们证明当前检测与跟踪系统在此任务上性能急剧下降。我们引入两项关键创新以挽回大部分性能损失。我们将时序序列中的遮挡目标检测视为短期预测挑战，借用了动态序列预测的工具。其次，我们构建显式在 3D 中推理的动态模型，利用最先进单目深度估计网络产生的观测。据我们所知，我们是首个证明单目深度估计在遮挡目标跟踪与检测任务中有效性的工作。我们的方法在消融中比基线强 11.4%，在 F1 分数上比最先进水平强 5.0%。