MetaDetect：面向目标检测的不确定性量化与预测质量估计

在使用深度神经网络的目标检测中，逐框的目标性分数往往过于自信，有时即便在预测不准确时仍指示出高置信度。因此，预测的可靠性以及可靠的不确定性至关重要。本工作中，我们提出一种后处理方法，可为任意给定神经网络提供预测不确定性估计与质量估计。这些估计由一个后处理模型学习得到，该模型以一组手工设计的透明指标作为结构化数据集形式的输入。据此，我们为预测边界框学习两项任务。我们区分真阳性（$\mathit{IoU}\geq0.5$）与假阳性（$\mathit{IoU} < 0.5$），称之为元分类，并直接预测 $\mathit{IoU}$ 值，称之为元回归。元分类模型的概率旨在学习成功与失败的概率，从而提供一种建模的预测不确定性估计。另一方面，元回归给出质量估计。在数值实验中，我们使用公开可用的 YOLOv3 网络与 Faster-RCNN 网络，并在 Kitti、Pascal VOC 和 COCO 数据集上评估元分类与回归性能。我们证明我们的指标确实与 $\mathit{IoU}$ 良好相关。对于元分类，我们获得高达 98.92% 的分类准确率与高达 99.93% 的 AUROC。对于元回归，我们获得高达 91.78% 的 $R^2$ 值。这些结果相较其他网络的目标性分数及其他基线方法取得显著改进。因此，我们获得了更可靠的不确定性与质量估计，这在缺乏真值时尤为有意义。