条件置信偏差对物体检测器性能的影响与校准

"物体探测器中的置信偏差对性能有损害" 本文主要探讨了物体检测器中的一个重要问题——置信偏差对性能的影响。物体检测器广泛应用于自动驾驶、医疗成像和安全等领域，其准确性和可靠性至关重要。然而，神经网络模型在进行物体检测时，往往会产生误校准的置信度估计，即输出的置信度并不能真实反映预测的准确性。 作者Johannes Gilg等人通过研究指出，条件置信偏差（即基于物体大小和位置的置信度差异）与目标检测器的性能紧密相关。他们使用可靠性框图展示了不同置信度下的精度-召回曲线，揭示了条件偏差如何降低检测器的性能。为量化这种影响，他们改良了直方图分箱校准方法，以适应不同边界框大小的条件，从而改善置信度校准。 此外，作者还发现训练数据中存在置信偏差，这为去偏置提供了可能性。测试时间增强（TTA）有时反而会加剧这种偏差，导致更明显的性能损失。通过对一系列不同物体检测架构的分析，他们证明条件置信偏差可能导致平均精度（mAP）和mAP50下降0.6至0.8个百分点。 为了应对这个问题，研究人员开发了一种算法，并将其代码开源在https://github.com/Blueblue4/Object-Detection-Confidence-Bias，以便其他研究者和开发者能利用此方法改进物体检测器的置信度校准，从而提高整体性能和可靠性。 总结而言，文章强调了在物体检测领域，对置信度校准的重视程度应与模型的准确性同等对待，因为条件置信偏差不仅影响检测器的性能，还可能在关键应用中带来严重后果。通过深入研究和改进，有望提升物体检测器在实际应用中的表现。