论文地址： http://arxiv.org/pdf/2008.08115v2.pdf
代码： https://dbolya.github.io/tide/
来源： 佐治亚理工学院
论文名称：TIDE: A General Toolbox for Identifying Object Detection Errors
原文作者：Daniel Bolya
问题提出在肿瘤检测任务中，正确的分类更重要，Bounding Box准确与否不是第一位的;
在机器人抓取任务中，Bounding Box很重要，很微小的Bounding Box偏差可能会导致完全错误的结果。
此外，了解多种导致mAP下降的错误类别，能更有利于分析出模型的优势和弱点；也能够帮助我们确认某个trick解决了什么缺陷从而提高了mAP指标。
因此在mAP的背后，需要做一些错误分析来进一步评价模型是否胜任某个任务。
问题分析将错误划分为六种类型
开发了一套工具：TIDE（Toolkit for Identifying Detection and segmentation Errors ），用于对目标检测和实例分割任务进行失效分析。可以直接应用到输出的预测文件,可以替代标准mAP计算
作者发现，很多背景错误和定位错误其实不是错误，而是GT没有对其进行标注或标注错误，如图8所示。作者发现，定位错误中，高分的top 100中有30个是数据集的标注问题导致的，而背景误差则是能达到50个。
