Object proposal quality assessment without ground truth as reference is a challenging task. Some existing methods measure the quality with hand-crafted metrics for subjective metrics, such as objectness and foreground confidence. Recently, deep learning is adopted for direct assessment for quantifiable metric, such as Intersection over Union (IoU). However, we find that IoU, the commonly used quality metric, is far from fully describing the quality of an object proposal. Proposals with the same IoU score may carry totally different amount of discriminative attribute. We introduce a new metric named Discriminative Information Richness (DIR) to characterize the discriminative degree of the given object proposal. DIR is derived from the response intensity of the projected deep feature maps, whose high correlation response indicates the discriminative regions. Besides, we design a convolutional neural network named DrlNet to simultaneously predict IoU scores and perceive the richness of the identification information. DrlNet is defined as a multi-metric joint deep regression network for both spatial covering prediction and discriminative information richness perception. Compared with the solely IoU based models, DrlNet can provide more comprehensive quality assessment. We perform comprehensive experiments on both PASCAL VOC dataset and COCO dataset. The experimental results show that our DrlNet performs well on both proposal selection and object detection tasks. Particularly, experimental results on COCO dataset demonstrate the good generalization ability of the proposed model.

没有地面真理作为参考的目标提案质量评估是一项艰巨的任务。一些现有方法使用手工制定的指标来衡量质量，这些指标用于主观指标，例如客观性和前景信心。最近，深度学习被用于直接评估可量化的度量标准，例如联盟交叉口（IoU）。但是，我们发现IoU（常用的质量指标）远不能完全描述对象建议书的质量。具有相同IoU分数的提案可能具有完全不同的区分属性。我们引入了一个名为“判别信息丰富度”（DIR）的新指标来表征给定对象提议的判别程度。DIR是从投影的深部特征图的响应强度得出的，其高相关响应表示区分区域。此外，我们设计了一个名为DrlNet的卷积神经网络，以同时预测IoU分数并感知识别信息的丰富性。DrlNet被定义为用于空间覆盖预测和判别性信息丰富度感知的多指标联合深度回归网络。与仅基于IoU的模型相比，DrlNet可以提供更全面的质量评估。我们对PASCAL VOC数据集和COCO数据集都进行了全面的实验。实验结果表明，我们的DrlNet在建议选择和对象检测任务上均表现良好。特别是，在COCO数据集上的实验结果证明了该模型的良好泛化能力。我们设计了一个名为DrlNet的卷积神经网络，以同时预测IoU分数并感知识别信息的丰富性。DrlNet被定义为用于空间覆盖预测和判别性信息丰富度感知的多指标联合深度回归网络。与仅基于IoU的模型相比，DrlNet可以提供更全面的质量评估。我们对PASCAL VOC数据集和COCO数据集都进行了全面的实验。实验结果表明，我们的DrlNet在提议选择和对象检测任务上均表现良好。特别是，在COCO数据集上的实验结果证明了该模型的良好泛化能力。我们设计了一个名为DrlNet的卷积神经网络，以同时预测IoU分数并感知识别信息的丰富性。DrlNet被定义为用于空间覆盖预测和判别性信息丰富度感知的多指标联合深度回归网络。与仅基于IoU的模型相比，DrlNet可以提供更全面的质量评估。我们对PASCAL VOC数据集和COCO数据集都进行了全面的实验。实验结果表明，我们的DrlNet在提议选择和对象检测任务上均表现良好。特别是，在COCO数据集上的实验结果证明了该模型的良好泛化能力。DrlNet被定义为用于空间覆盖预测和判别性信息丰富度感知的多指标联合深度回归网络。与仅基于IoU的模型相比，DrlNet可以提供更全面的质量评估。我们对PASCAL VOC数据集和COCO数据集都进行了全面的实验。实验结果表明，我们的DrlNet在提议选择和对象检测任务上均表现良好。特别是，在COCO数据集上的实验结果证明了该模型的良好泛化能力。DrlNet被定义为用于空间覆盖预测和判别性信息丰富度感知的多指标联合深度回归网络。与仅基于IoU的模型相比，DrlNet可以提供更全面的质量评估。我们对PASCAL VOC数据集和COCO数据集都进行了全面的实验。实验结果表明，我们的DrlNet在提议选择和对象检测任务上均表现良好。特别是，在COCO数据集上的实验结果证明了该模型的良好泛化能力。我们对PASCAL VOC数据集和COCO数据集都进行了全面的实验。实验结果表明，我们的DrlNet在提议选择和对象检测任务上均表现良好。特别是，在COCO数据集上的实验结果证明了该模型的良好泛化能力。我们对PASCAL VOC数据集和COCO数据集都进行了全面的实验。实验结果表明，我们的DrlNet在提议选择和对象检测任务上均表现良好。特别是，在COCO数据集上的实验结果证明了该模型的良好泛化能力。