目标检测评估的最优修正代价
计算机视觉与模式识别
2022-03-29 v1
摘要
平均精度均值（Mean Average Precision, mAP）是目标检测的主要评估指标。尽管目标检测应用广泛，mAP 从排序实例检索性能的角度评估检测器。该评估任务的假设并不适合某些下游任务。为缓解下游任务与评估场景之间的鸿沟，我们提出最优修正代价（Optimal Correction Cost, OC-cost），其在图像层面评估检测精度。OC-cost 将检测框修正至真实框的代价作为精度度量。该代价通过求解检测框与真实框之间的最优传输问题获得。与 mAP 不同，OC-cost 旨在恰当惩罚误检与漏检，且数据集中每幅图像被平等对待。我们的实验结果表明，对于单幅图像，OC-cost 比基于排序的度量（即 mAP）与人类偏好具有更好的一致性。我们还表明，由 OC-cost 得到的检测器排序在不同数据划分上比 mAP 更具一致性。我们的目标并非以 OC-cost 取代 mAP，而是提供另一视角的附加评估工具。为助未来研究者与开发者选择目标度量，我们提供了一系列实验以阐明 mAP 与 OC-cost 的差异。
引用
@article{arxiv.2203.14438,
title = {Optimal Correction Cost for Object Detection Evaluation},
author = {Mayu Otani and Riku Togashi and Yuta Nakashima and Esa Rahtu and Janne Heikkilä and Shin'ichi Satoh},
journal= {arXiv preprint arXiv:2203.14438},
year = {2022}
}
备注
CVPR 2022