文章背景与核心概要
本文探讨了多视角目标关联（作为多相机感知的核心基石）在评估方式上存在的一个关键矛盾。尽管该任务本质上是一个受约束的一对一匹配问题，但目前的研究却主要采用成对排序指标，如平均精度（AP）和 FPR-95。
作者揭示了根本性的“指标不匹配”现象：首先是理论缺陷，即底层分配正确时，AP和FPR-95仍可能给出不完美的评分；反之，模型在获得最优排序性能的同时，也可能产生错误的目标分配。其次是通过实际验证，作者引入了基于 Sinkhorn 的归一化作为后处理压力测试，表明人们可以人为提升 AP 和 FPR-95 的得分，而无需在准确率（ACC）或保持身份的分配准确率（IPAA）等分配级指标上取得任何实质性的改善。
排序与分配：多视角目标关联中的指标不匹配问题 (Ranking vs. Assignment: The Metric Mismatch in Multi-View Object Association)
作者： Matvei Shelukhan, Timur Mamedov, Aleksandr Chukhrov, Karina Kvanchiani
发表： arXiv:2606.02022 [cs.CV] | 已被 BMVC 2026 接收
摘要 (Summary)
本文探讨了多视角目标关联（作为多相机感知的核心基石）在评估方式上存在的一个关键矛盾。尽管该任务本质上是一个受约束的一对一匹配问题，但目前的研究却主要采用成对排序指标，如平均精度（AP）和 FPR-95。
This paper investigates a critical discrepancy in how multi-view object association—a cornerstone of multi-camera perception—is evaluated. While the task is inherently a constrained one-to-one matching problem, current research predominantly utilizes pairwise ranking metrics such as Average Precision (AP) and FPR-95.
作者揭示了根本性的“指标不匹配”现象： * 理论缺陷： 底层分配正确时，AP和FPR-95仍可能产生不完美的评分。反之，模型在获得最优排序性能的同时，也可能产生错误的目标分配。 * 实际验证： 通过引入基于 Sinkhorn 的归一化作为后处理压力测试，作者表明人们可以人为提升 AP 和 FPR-95 的得分，而无需在准确率（ACC）或保持身份的分配准确率（IPAA）等分配级指标上取得任何实质性的改善。
The authors demonstrate a fundamental "metric mismatch": * Theoretical Flaw: AP and FPR-95 can yield imperfect scores even when the underlying assignment is correct. Conversely, models can achieve optimal ranking performance while still producing incorrect object assignments. * Practical Validation: By introducing a Sinkhorn-based normalization as a post-processing stress test, the authors show that one can artificially boost AP and FPR-95 scores without achieving any genuine improvement in assignment-level metrics like Accuracy (ACC) or Identity-Preserving Assignment Accuracy (IPAA).
论文详情 (Paper Details)
| 元数据 | 详情 |
|---|---|
| 主要学科 | 计算机视觉与模式识别 (cs.CV) |
| 次要学科 | 人工智能 (cs.AI), 机器学习 (cs.LG) |
| 提交日期 | 2026年6月1日 (v1); 2026年8月12日 (v2) |
| DOI | 10.48550/arXiv.2606.02022 |
Metadata Details Primary Subject Computer Vision and Pattern Recognition (cs.CV) Secondary Subjects Artificial Intelligence (cs.AI), Machine Learning (cs.LG) Submission Date 1 Jun 2026 (v1); 12 Aug 2026 (v2) DOI 10.48550/arXiv.2606.02022
访问资源 (Access Resources)
(许可证：CC BY-NC-SA 4.0)