SDR-GAIN：一种面向自动驾驶的高实时遮挡行人姿态补全方法
计算机视觉与模式识别
2026-03-11 v6 人工智能
摘要
随着基于视觉的自动驾驶技术的发展，行人检测已成为提升交通安全与驾驶系统鲁棒性的重要组成部分。然而，在复杂交通场景中，传统姿态估计方法常因车辆、植被或建筑元素的遮挡而无法准确重建被遮挡关键点。为解决该问题，我们提出一种新颖的实时遮挡行人姿态补全框架，称为基于分离与降维的生成对抗插补网络（Separation and Dimensionality Reduction-based Generative Adversarial Imputation Nets, SDR-GAIN）。与以往训练视觉模型以区分遮挡模式的方法不同，SDR-GAIN 旨在直接从关键点坐标的数值分布中学习人体姿态并插值缺失位置。它采用自监督对抗学习范式来训练带有残差结构的轻量生成器，以插补缺失的姿态关键点。此外，它集成了多种姿态标准化技术以缓解学习过程的困难。在 COCO 与 JAAD 数据集上的实验表明，SDR-GAIN 在准确恢复遮挡行人关键点方面超越了传统机器学习与基于 Transformer 的缺失数据插值算法，同时实现了微秒级实时推理。
引用
@article{arxiv.2306.03538,
title = {SDR-GAIN: A High Real-Time Occluded Pedestrian Pose Completion Method for Autonomous Driving},
author = {Honghao Fu and Yongli Gu and Yidong Yan and Yilang Shen and Yiwen Wu and Libo Sun},
journal= {arXiv preprint arXiv:2306.03538},
year = {2026}
}