目标检测中的MAP（无抄袭）

（个人理解，如果写的有问题可以留言交流）

转载请标明出处！！！！！谢谢！

参考链接（内含代码）：https://github.com/rafaelpadilla/Object-Detection-Metrics

人家写的比我好，我只是用中文把理论小总结一下，懒得看英文的可以看一下我的。

1.基础定义

a.交并比

真实框：绿色的；检测框：红色的。

b.True Positive（TP）, False Positive(FP), False Negative(FN) and True Negative(TN)

TP：检测框中正确的，（且IOU大于阈值的）（针对map的计算而言需要考虑IOU）

FP：检测框中错误的，（IOU小于阈值的）

FN：真实正确的框，没有被检测到的

TN：正确的没有检测到的框，未被检测到的负类。在目标检测中，有许多可能的边界框不应该在图像内被检测到，这些框就是TN。

c.准确率（precision）和召回率(recall)

准确率：

TP+FP就是所有的检测框

召回率：

TP+FN就是所有的真实框

2.MAP计算过程

举例说明：7张图，15个真实框（绿色），24个检测到的框（红色），每个框有它的置信度，并给它从A开始定义

a.交并比，设置阈值，分出TP、FP

计算人工框和测出框的交并比，这里阈值（score threshold）设定为30%，大于30%的为TP，其他为FP。

注：不是由confidences而来的！

这里有同一个真实框，对应好几个测试框的情况，此时选取IOU大的，其他删除。

 

c.算出准确率和召回率

准确率（Precision）=TP/TP+FP

召回率(recall)=TP/TP+TN=TP/所有真实框=TP/15

由自信度从大到小排，个人理解，原因是自信度越大是TP的概率就高。

Acc TP:累计的TP   Acc FP:累计的FP

d.给出Precision x Recall 曲线图

显然随着我们选定的样本越来也多，recall一定会越来越高，而precision整体上会呈下降趋势。把recall当成横坐标，precision当成纵坐标，即可得到常用的precision-recall曲线。

e.计算单标签图像分类的AP（average precision)

原因：个人认为人们觉得只有准确率和召回率没有说服力，所以有了AP。

1.VOC2010前，我们选区Recall>=0，0.1，0.2，...，0.9，1的11处Percision的最大值：1，0.6666，0.4285，0.4285，0.4285，0，0，0，0，0，0。此时AP=2.9521/11=0.2684

2.VOC2010及以后的方法，对于Recall>=0，0.0666，0.1333，0.2，0.2666，0.3333，0.4，0.4666，仍然选取Percision对应点的最大值：1，1，0.6666，0.4285，0.4285，0.4285，0.4285，0.3043，然后求对应曲线的面积。

蓝色线：实际Precision  红色线：我们所选取的最大值

此时AP为红色曲线的面积，可以堪称以下四个面积的和

f.计算MAP（mean average precision）

使用情况：多标签图像分类（Multi-label Image Classification）

mAP：每一个类别都计算出AP，然后再计算AP的平均值就是mAP

g.问题

我也有一些小问题没有搞明白，希望如果有大神看到，能帮我在评论去解释一下~谢谢~

1.看到好多关于MAP的帖子里，recall都能到1，甚至有的帖子中写道recall肯定能到1，我不太理解，我们最实验最多就是0.8、0.9多，再好也不会到1的呀。

2.标签上的分数，也就是confidences，怎么来的呀？

 

 

欢迎评论区交流~~~~谢谢~~~~~