摘要

基准测试（如 COCO）在目标检测领域中发挥着至关重要的作用。然而，现有的基准测试在尺度变化方面仍显不足，且其评估协议难以实现公平比较。为此，本文提出通用尺度目标检测基准（Universal-Scale object detection Benchmark，简称 USB）。USB 通过整合 COCO 数据集与近期提出的 Waymo Open Dataset 及 Manga109-s 数据集，实现了对象尺度和图像领域上的多样化。为促进公平比较与包容性研究，我们设计了一套训练与评估协议。该协议采用类似体育竞赛中“权重级别”的多级划分机制，对训练轮次（epochs）和评估图像分辨率进行分级，并具备类似通用串行总线（USB）的向后兼容特性，确保不同训练协议之间的互操作性。具体而言，我们要求参赛者不仅报告在较高协议（更长训练周期）下的结果，也需提供在较低协议（较短训练周期）下的表现。基于所提出的基准与协议，我们使用 15 种方法开展了大量实验，揭示了现有以 COCO 为中心的方法在泛化能力上的固有缺陷。相关代码已开源，地址为：https://github.com/shinya7y/UniverseNet。