LRP：新目标检测指标，评估边界框定位与召回精度

"本地化召回精度（LRP）是一种针对目标检测性能的新指标，旨在解决平均精度（AP）存在的问题，如无法区分不同RP曲线和未直接衡量边界框定位。LRP误差由假阴性（FN）率、假阳性（FP）率以及与定位相关的三个分量构成。通过LRP，作者引入了‘最优LRP’(oLRP)，它确定了在召回精度和边界框紧密性之间平衡的最佳配置。相比于AP关注整个召回域的精度，oLRP更侧重于分类时的‘最佳’识别精度。实验结果显示，oLRP提供比AP更丰富且更具区分性的信息，并揭示了最佳置信度得分阈值在类别和检测器间存在显著差异。作者还提出了一种简单在线视频对象检测器的LRP应用，证明了类特定优化阈值能提高通用阈值方法的准确性。LRP被认为是更全面地评估检测器性能的指标，其源代码可在PASCAL VOC和MSCOCO数据集上提供的GitHub链接获取。关键词包括：平均精度、目标检测、性能指标、最佳阈值、召回精度。" 本文首先介绍了目标检测领域广泛使用的平均精度（AP）作为性能评估标准的局限性，尤其是无法区分不同的召回-精度（RP）曲线以及未直接考虑边界框定位的准确性。为解决这些问题，作者提出了本地化召回精度（LRP）的概念，这是一种全新的度量标准，专门针对目标检测任务设计。LRP误差由三个定位相关组件和FN、FP率构成，能更好地反映检测器在定位方面的性能。 接着，文章引入了oLRP，这是基于LRP的最优配置，它在召回精度和边界框精确度之间找到了平衡点。与AP不同，oLRP不只关注整个召回域的精度，而是寻找在保持一定召回率的同时，最大化定位精度的最佳点。实验部分，作者展示了oLRP相比AP在信息丰富性和差异性上的优势，并通过实例证明了最佳置信度得分阈值在不同类别和检测器中会有所变化，这强调了类特定优化的重要性。 此外，文章还涉及在线视频对象检测的应用，通过调整类特定阈值，证明了这种方法可以提升相对于通用阈值方法的准确性。最后，作者提供了在PASCAL VOC和MSCOCO数据集上的LRP实现代码，鼓励其他研究者和开发者进行进一步的研究和应用。 LRP作为目标检测性能的评价指标，弥补了AP的不足，更全面地反映了检测器的定位能力和分类能力，对于优化检测器性能和理解其工作原理具有重要意义。