學(xué)習(xí)前言

在Github上我們可以看到許多模型，他們都有mAP值的評價指標(biāo)，如下圖所示：

這到底是個啥呢？我查了好久的資料…

什么是TP、TN、FP、FN

TP的英文全稱為True Positives，其指的是被分配為正樣本，而且分配對了的樣本，代表的是被正確分類的正樣本。

TN的英文全稱為，其指的是被分配為負樣本，而且分配對了的樣本，代表的是被正確分類的負樣本。

FP的英文全稱為False Positives，其指的是被分配為正樣本，但分配錯了的樣本，代表的是被錯誤分類的負樣本。

FP的英文全稱為False Negatives，其指的是被分配為負樣本，但分配錯了的樣本，代表的是被錯誤分類的正樣本。

什么是Precision和Recall

Precision指的是精度

Recall指的是召回率

兩個分別代表什么意思呢？

Precision的具體含義是：分類器認為是正類并且確實是正類的部分占分類器認為是正類的比例

Recall的具體含義是：分類器認為是正類并且確實是正類的部分占所有確實是正類的比例。

什么是mAP

說到mAP，也要說到，AP是什么。

說到AP，就要聯(lián)系到上一部分所說的Precision和Recall。

對于目標(biāo)檢測而言任務(wù)，每一個類都可以計算出其Precision和Recall，通過合理的計算，每個類都可以得到一條P-R曲線，曲線下的面積就是AP的值。

假設(shè)存在M張圖片，對于其中一張圖片而言，其具有N個檢測目標(biāo)，其具有K個檢測類，使用檢測器得到了S個Bounding Box(BB)，每個BB里包含BB所在的位置以及對于K個類的得分C。

利用BB所在的位置可以得到與其對應(yīng)的GroundTruth的IOU值。

1、步驟1：

對于每一個類I而言，我們執(zhí)行以下步驟：

對所有的BB，計算BB所在的位置與其最對應(yīng)的GroundTruth的IOU值，，記為MaxIOU，此時再設(shè)置一個門限threshold，一般設(shè)置為0.5。

當(dāng)MaxIOU<threshold，認為該預(yù)測框無真實框與其對應(yīng)，此時可以記錄其屬于False Positive，使其FPi = 1，并記錄其屬于類I的分數(shù)C。

當(dāng)MaxIOU>threshold，認為該預(yù)測框與該真實框最對應(yīng)；

此時再分兩類：

當(dāng)該框的類別屬于類型I時，此時可以記錄其屬于True Positive，使其TPi = 1，并記錄其屬于類I的分數(shù)C。

當(dāng)該框的類別不屬于類型I時，此時可以記錄其屬于False Positive，使其FPi = 1，并記錄其屬于類I的分數(shù)C。

2、步驟2：

由步驟1我們可以得到K * S個分數(shù)C 和 TP 和 FP的元祖，在python中，我們可以將其構(gòu)成形如(C,TP, FP)的元組，對這K * S個元祖按照得分C進行排序。

3、步驟3：

將得分從大到小排序后進行截取，截取得分最大的S個，通過該步驟可以獲得每個框是否成功對應(yīng)了自己所屬的類，計算每次截取所獲得的recall和precision。

（此處Recall所用的TP+FN = N（一張圖片所具有的N的目標(biāo)，所有確實是正類的數(shù)量））
這樣得到S個recall和precision點，便畫出PR曲線了。

通過PR曲線便可以得到AP值。

而mAP就是對所有的AP值進行求平均即可。

以上就是目標(biāo)檢測mAP的概念及公式詳解的詳細內(nèi)容，更多關(guān)于目標(biāo)檢測mAP公式的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論