【深度学习理论】Mean Average Precision 计算

Precision = 检测正确的正样本数 / 总的检测样本（top-n）
Recall = 检测正确的正样本数 / 总正样本（top-all）

$\qquad$一般来说，Precision与Recall的效果是成反比的，简单的说，如果将所有检测样本识别为正样本，那么Recall=1，但是Precision却会降低。

来自博客的一张图片：http://blog.sina.com.cn/s/blog_9db078090102whzw.html

$\qquad$在图像处理领域，Pascal VOC 2010之后出现一种新的计算方法。首先假设在N个样本中具有M个正样本，也就是对于Top-n的划分过程中，会得到M个Recall值，分别是1/M, 2/M, 3/M, ..., M/M。当Top-n中的n不断增大的过程中，每一个Recall值会对应一个范围。如下图：

$\qquad$对于每一个Recall值，计算出不同的Precision的值，然后取最大值作为该Recall值对应的Precision值（其实就是第一个Precision值），然后将每一个Recall对应的Precision值计算平均值。得到该类别的Precision（AP）。
$\qquad$在图像分类的过程中，一般是多分类问题，按照上面的计算过程，会得到每一个类比的AP的值，然后求出平均值就是mAP。也就是说横向是每个类别的Score，纵向是每一个样本ID。