区域评估：揭示目标检测中的空间偏置

目标检测器的一个基本局限是它们遭受“空间偏置”，尤其在检测靠近图像边界的物体时表现不尽如人意。长期以来，缺乏有效的方式来度量和识别空间偏置，且关于其来源和程度知之甚少。为此，我们提出了一种新的区域评估协议，从传统评估扩展为更通用的评估，度量各区域上的检测性能，产生一系列区域精度(ZPs)。我们首次提供了数值结果，表明目标检测器在各区域上的表现相当不均衡。令人惊讶的是，检测器在图像96%边界区域内的性能未达到AP值（平均精度，通常被视为整个图像区域内的平均检测性能）。为了更好地理解空间偏置，我们进行了一系列启发式实验。我们的研究排除了关于空间偏置的两个直观猜想，即物体尺度和物体的绝对位置几乎不影响空间偏置。我们发现，关键在于不同区域中物体之间数据模式上人类不可察觉的差异，从而最终形成区域间可见的性能差距。基于这些发现，我们最终讨论了目标检测的一个未来方向，即空间不均衡问题，旨在追求整个图像区域上均衡的检测能力。通过广泛评估10种流行目标检测器和5个检测数据集，我们揭示了目标检测器的空间偏置。我们希望这项工作能引起对检测鲁棒性的关注。源代码、评估协议和教程公开于 https://github.com/Zzh-tju/ZoneEval。