目标检测中的策略、指标与评估

### 目标检测中的策略、指标与评估 在计算机视觉领域，目标检测是一个至关重要的研究方向，尤其是在自动驾驶等安全关键系统中。传统的评估指标如准确率和精确率虽然被广泛使用，但在实际应用中存在一定的局限性。本文将介绍目标检测中的两种重要技术：边界框合并策略与不确定性估计，以及规划KL散度（Planning KL - Divergence，PKL）这一评估指标。 #### 边界框合并策略与不确定性估计 在基于集成的目标检测中，研究人员探索了不同的边界框合并策略，并提出了两种估计最终边界框不确定性的方法。 - **合并策略影响不大**：不同的合并策略对结果的影响似乎可以忽略不计。各种平均方法在性能上表现相似，简单地取平均值可以作为一个不错的基线，它在所有指标上都有具有竞争力的表现，并且实现起来也很简单。 - **不确定性估计效果显著**：当比较不同的不确定性估计方法时，差异则更为明显。若没有不确定性估计，模型会将方差视为零，就好像对边界框预测完全确定一样。而使用集成方差作为不确定性估计时，PDQ（一种评估指标）值会大幅提高。如果模型本身能够预测其个体不确定性，所有情况和两种模型架构的结果都会进一步改善。 实验结果表明，预测方差与最终的交并比（IOU）的相关性比常用的置信度值更好，应被视为更好的空间正确性估计。在边界框不确定性估计中使用方差预测能得到更好的结果，而PDQ指标对这种方法给予了肯定。在提出的两种方法中，利用单个检测器的预测方差比依赖不同模型检测框的方差能带来更好的性能。 #### 规划KL散度（PKL） 传统的准确率和精确率等评估指标在衡量计算机视觉进展时存在不足，尤其是在自动驾驶等实际机器人系统中，这些指标不能准确反映感知算法对下游驾驶任务的支持能力。例如，未能检测到远处的停车和未能检测到前方急刹车的汽车会被同等对待，但实际上它们对驾驶安全的影响截然不同。 为了解决这个问题，规划KL散度（PKL）应运而生。PKL是一种专门为自动驾驶中的3D目标检测设计的原则性指标，其核心思想是隔离目标检测任务，衡量检测结果对下游驾驶任务的影响。 - **PKL的定义**：设 \( s_1, ..., s_t \in S \) 是一系列原始传感器观测值，\( o_1^*, ..., o_t^* \in O \) 是相应的真实目标检测序列，\( x_1, ..., x_t \) 是自车的相应姿态序列。设 \( A : S \to O \) 是一个基于 \( s_t \) 预测 \( o_t \) 的目标检测器。PKL在时间 \( t \) 的定义为： \[ PKL(A) = \sum_{0<\Delta\leq T} D_{KL}(p_{\theta}(x_{t+\Delta}|o_{\leq t}^*) || p_{\theta}(x_{t+\Delta}|A(s_{\leq t}))) \] 其中 \( p_{\theta}(x_t|o_{\leq t}) \) 对数据集中真实轨迹的分布进行建模，\( \theta = \arg \min_{\theta'} \sum_{x_t\in D} -\log p_{\theta'}(x_t|o_{\leq t}^*) \)。直观地说，PKL通过衡量自车在看到预测目标和实际目标时规划的差异，来评估检测结果与真实检测的相似程度。 - **PKL的实现**：使用 `planning -