测量场景级物体对目标检测的影响：迈向检测决策的定量解释

虽然准确率和其他常见指标可以提供有用的窗口来观察目标检测模型的性能，但它们缺乏对模型决策过程的更深入视角。无论训练数据和过程的质量如何，都无法保证目标检测模型学到的特征。模型可能会学习某些背景上下文（即场景级物体）与标记类别存在之间的关系。此外，标准的性能验证和指标无法识别这种现象。本文提出了一种新的黑盒可解释性方法，用于对目标检测模型进行额外验证，方法是发现场景级物体对图像内物体识别的影响。通过比较模型在包含和不包含某些场景级物体的测试数据上的准确率，这些物体对模型性能的贡献变得更加清晰。此处提出的实验将评估图像上下文中的建筑物和人员对微调后的 YOLOv8 模型检测紧急道路车辆的影响。场景级物体存在时准确率的大幅提高将表明模型依赖该物体进行检测。这项研究的结果导致了对目标检测模型决策过程的定量解释，从而实现了对模型性能的更深入理解。