边界框对特征 Dropout 的稳定性反映检测器跨环境的泛化能力

边界框唯一地表征了目标检测，其中优秀的检测器能为感兴趣类别提供准确的边界框。然而，在未提供测试真值的现实世界中，确定边界框是否准确并非易事，从而阻碍了我们评估检测器的泛化能力。在本工作中，我们发现在特征图 dropout 下，优秀的检测器倾向于输出位置变化不大的边界框，而较差检测器的边界框则会发生明显的位置变化。我们计算边界框稳定性分数（BoS 分数）来反映这种稳定性。具体而言，给定一张图像，我们计算一组正常的边界框和在特征图 dropout 后的第二组边界框。为了获得 BoS 分数，我们使用二分图匹配在两组之间寻找对应的边界框，并计算整个测试集上的平均交并比。我们发现 BoS 分数与在各种测试环境下通过平均精度均值评估的检测精度存在强烈的正相关关系。这种关系使我们能够在不访问测试真值的情况下预测检测器在各种现实世界测试集上的准确性，并在车辆检测和行人检测等经典检测任务上得到了验证。代码和数据可在 https://github.com/YangYangGirl/BoS 获取。