近年来,目标检测(OD)已成为计算机视觉应用的核心技术,其性能高度依赖高质量标注数据集。然而,即使是广泛使用的基准数据集(如 MS COCO、PASCAL VOC 等)也普遍存在边界框不准确、物体误分类、标签缺失等标注误差,尤其是定位误差会严重影响检测模型的训练与评估。为解决该问题,研究人员开展了一项以数据为中心的综述研究,系统回顾了目标检测数据集中标注错误的识别与分析现有方法。研究首次建立了面向目标检测的标准化标注错误分类体系,并对主流基准数据集进行了人工检查以量化常见错误。该工作为数据集质量评估与提升提供了统一框架,对推动可靠、鲁棒的目标检测系统发展具有重要意义。