什么造就了有效的检测提议？

当前性能最优的目标检测器采用检测提议（detection proposals）来引导物体搜索，从而避免在图像上进行穷举的滑动窗口搜索。尽管检测提议广受欢迎且被普遍使用，但在目标检测中使用它们时做出了哪些权衡尚不清楚。我们对十二种提议方法以及四种基线进行了深入分析，涉及提议可重复性、在PASCAL、ImageNet和MS COCO上的真值标注召回率（ground truth annotation recall），以及它们对DPM、R-CNN和Fast R-CNN检测性能的影响。我们的分析表明，对于目标检测而言，提高提议定位精度与提高召回率同样重要。我们引入了一种新颖的度量标准，平均召回率（average recall, AR），它同时奖励高召回率和良好的定位，并且出人意料地与检测性能高度相关。我们的发现揭示了现有方法的常见优缺点，并为选择和调优提议方法提供了见解和度量。