3D对象检测基准由7481个训练图像和7518个测试图像以及相应的点云组成，包括总共80.256个标记对象。为了评估，我们计算精度召回曲线。为了对这些方法进行排序，我们计算平均精度。我们要求所有方法对所有测试对使用相同的参数集。

我们使用同样用于2D对象检测的PASCAL标准来评估3D对象检测性能。因此，将根据图像平面中的边界框高度对远对象进行过滤。由于只有同样出现在图像平面上的对象才被标记，所以非汽车区域中的对象不算作误报。我们注意到，评估没有考虑忽略图像平面上不可见的检测——这些检测可能会导致误报。对于汽车，我们需要70%的3D边界框重叠，而对于行人和骑车人，我们需要50%的3D边界盒重叠。困难定义如下：
简单：最小边界框高度：40 Px，最大遮挡级别：完全可见，最大截断：15%
中等：最小边界框高度：25 Px，最大遮挡级别：部分遮挡，最大截断：30%
硬：最小边界框高度：25 Px，最大遮挡级别：难以看到，最大截断：50%
所有方法都基于中等难度的结果进行排名。

Citation

When using this dataset in your research, we will be happy if you cite us:
@INPROCEEDINGS{Geiger2012CVPR,
  author = {Andreas Geiger and Philip Lenz and Raquel Urtasun},
  title = {Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite},
  booktitle = {Conference on Computer Vision and Pattern Recognition (CVPR)},
  year = {2012}
}