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(jià)指標(biāo)，如下圖所示：

這到底是個(gè)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(fù)樣本，而且分配對了的樣本，代表的是被正確分類的負(fù)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(fù)樣本。

FP的英文全稱為False Negatives，其指的是被分配為負(fù)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(gè)分別代表什么意思呢？

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

Recall的具體含義是：分類器認(rèn)為是正類并且確實(shí)是正類的部分占所有確實(shí)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(gè)類都可以計(jì)算出其Precision和Recall，通過合理的計(jì)算，每個(gè)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(gè)檢測目標(biāo)，其具有K個(gè)檢測類，使用檢測器得到了S個(gè)Bounding Box(BB)，每個(gè)BB里包含BB所在的位置以及對于K個(gè)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(gè)類I而言，我們執(zhí)行以下步驟：

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

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

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

此時(shí)再分兩類：

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

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

2、步驟2：

由步驟1我們可以得到K * S個(gè)分?jǐn)?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(gè)元祖按照得分C進(jìn)行排序。

3、步驟3：

將得分從大到小排序后進(jìn)行截取，截取得分最大的S個(gè)，通過該步驟可以獲得每個(gè)框是否成功對應(yīng)了自己所屬的類，計(jì)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(shí)是正類的數(shù)量））
這樣得到S個(gè)recall和precision點(diǎn)，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(jìn)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(xì)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