累积一致性分数：部署中目标检测器的无标签与模型无关评估
计算机视觉与模式识别
2026-03-10 v2
摘要
在部署中评估目标检测模型具有挑战性，因为真实标注很少可用。我们引入了累积一致性分数（CCS），这是一种无标签的监控信号，用于在真实世界环境中持续评估和比较检测器。CCS对每张图像应用测试时数据增强，并使用交并比（IoU）测量预测边界框在不同增强视图间的空间一致性。由此产生的一致性分数可作为可靠性的代理指标，无需边界框标注。在Open Images和KITTI上的对照实验中，CCS与F1分数、概率检测质量和最优校正成本的一致性超过90%，在COCO和BDD100K上的模型对之间的定性一致性也得到进一步证实。该方法与模型无关，适用于单阶段和两阶段检测器，并在案例级别运行以突出表现不佳的场景。我们还提供了期望CCS与检测正确性之间简化的理论联系。总体而言，CCS为目标检测器的DevOps风格监控提供了坚实的基础。
引用
@article{arxiv.2509.12871,
title = {Cumulative Consensus Score: Label-Free and Model-Agnostic Evaluation of Object Detectors in Deployment},
author = {Avinaash Manoharan and Xiangyu Yin and Domenik Helm and Chih-Hong Cheng},
journal= {arXiv preprint arXiv:2509.12871},
year = {2026}
}