本文提出了一种针对目标检测的度量标准 'Localization Recall Precision (LRP) Error'，该度量标准由三个与定位、假阴性率和假阳性率有关的组成部分组成，利用 Optimal LRP 来决定一个类别的最佳置信度阈值，从而平衡定位和召回精度之间的权衡。与 AP 不同，Optimal LRP 能为 SOTA 检测器提供比 AP 更丰富和有区别性的信息。

Jul, 2018

本文提出了一个统一，有界并平衡的基于排名的损失函数：平均定位 - 召回 - 精度 (aLRP)，用于目标检测中的分类和定位任务，它具有排名和平衡的优点，可自然增强高质量的定位。

Sep, 2020

本文提出了一种有效的方法，将一阶段目标检测器的分类任务替换为排名任务，并采用平均准确率 (Average-Precision) 损失函数，通过优化算法，处理了训练中的极端正负样本不平衡问题，获得了比现有 AP-based 优化算法更出色的实验结果。

Aug, 2020

本文提出两个新的度量标准来明确测量空间和类别重复预测的数量，并提出基于像素占用匹配方案的语义排序和非极大值抑制模块，以减轻权衡预测并保留平均精度。

Jul, 2022

本文提出两种互补度量标准来解决在大词汇量和高实例数条件下，AP-Pool 评价指标的缺陷。我们发现，在对交叉类别进行再排序的情况下，这种缺陷形成了可操纵的指标，简单的再排序策略可以大幅提高平均精确度，而我们的新评估表明，许多报告的进展并未转化为改进，并考虑一种加权平均精确度的池化版本来奖励逐类别排序的合理性。最后，通过显式校准检测器，我们重新审视了经典的校准方法，并发现在 AP-Pool 上显式校准检测器可以将其最先进的水平提高 1.7 个点。

Feb, 2021

本文提出了一种基于排序任务和平均准确率损失（AP-loss）的新框架和一种新的优化算法，以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。

Apr, 2019

为了弥补基于相机的深度估计的限制性精度对 3D Average Precision（3D AP）度量的影响，我们提出了 LET-3D-AP 和 LET-3D-APL 两种更加容错的度量方法，允许预测边界框的纵向定位误差达到一定的容忍度，以提供更多有信息量的性能信号。

Jun, 2022

本研究借助最近的榜单损失函数理论和实践证明，通过直接优化全局平均精度，提出了一个图像检索模型，消除了现有模型所需的工程努力和基于工具性方法的需求，并在许多标准检索基准测试中建立了新的基准。

Jun, 2019

我们提出了一种名为 OC-cost 的方法，它通过解决检测和实际情况间的最佳传输问题来度量检测器的准确性，避免了 mAP 只能从排序检索方面评估的缺点。与 mAP 相比，OC-cost 更加准确和公平，能够提供一个额外的度量工具来评估检测器。

Mar, 2022

该论文通过分析 12 种提案方法及 4 种基线，评估了它们对物体识别精度、重复性以及物体本地化准确性的影响，并提出了一个新的指标 —— 平均召回率，该指标同时奖励高召回率和良好的本地化准确性，并与检测性能惊人地相关。该论文的发现为选择和调整提案方法提供了指导和度量标准。

Feb, 2015