机器学习算法评估指标——3D目标检测

在真实的三维世界中，物体都是有三维形状的，许多应用都需要有目标物体的长宽高还有偏转角等信息。以自动驾驶为例，在自动驾驶场景下，需要从图像中提供目标物体三维大小及旋转角度等指标，鸟瞰投影的信息对于后续的路径规划和控制具有至关重要的作用。我们将使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息的检测称为3D目标检测。

多类别目标的检测问题可以转换为“某类物体检测正确、检测错误”的二分类问题，从而可以构造混淆矩阵，使用目标分类的一系列指标评估模型精度，例如：使用Precision-Recall曲线定性分析模型精度，使用average precision(AP)定量分析模型精度；对于物体方向检测，可以采用Average Orientation Similarity (AOS)来衡量检测结果与Ground truth的方向相似程度。

下面具体介绍3D目标检测任务的常用评价指标。

IoU（Intersection over Union）

• 定义：交并比，即预测框和真值框的交集与并集之比

IoU有三种计算方式：
（1）2D IoU：将3D检测结果框映射回2D的Image View
（2）3D IoU：直接在3D空间计算