深度学习：目标检测的指标AP与mAP是什么

一、检测指标

在目标检测任务中，通过不同的IoU阈值来进行检测器的整体的性能评估，对于MS COCO目标检测，有如下检测指标

对于MS COCO关键点检测，官方给出的评价指标为OKS（object keypoints similarity），其评价指标和检测的IoU也很类似，在不同的阈值下来实现整体的性能评估

二、precision（准确率）和recall（回归率）

以上的检测衡量指标中，都看到了AP和AR，分别代表Average Precious和Average Recall

 

对应关系如图所示，Precious表示预测为正确结果中，由多少是对的，即反映预测准确的参数；但是只是预测准确率很高，但是很多没有预测出来那也是不行的（有100个样本，预测了1个正例，99个反例，而且这个1个正例预测是正确的，那么准确率是100%，单纯的这样来衡量是没有道理的，因为还有99个直接给否定了），所以Recall这个指标就是为了衡量这个问题，一共的正例的样本，成功预测出来多少个，当这两个指标都很高的时候，那么说明这个结果才是好的。

top1错误率

top1就是你预测的label取最后概率向量里面最大的那一个作为预测结果，你的预测结果中概率最大的那个类必须是正确类别才算预测正确。而top5就是最后概率向量最大的前五名中出现了正确概率即为预测正确。

top5错误率

ILSRVRC（ImageNet 图像分类大赛） 比赛设置如下：1000类图像分类问题，训练数据集126万张图像，验证集5万张，测试集10万张（标注未公布）。评价标准采用 top-5 错误率——即对一张图像预测5个类别，只要有一个和人工标注类别相同就算对，否则算错。

三、AP的概念

第二章介绍了Precious和Recall的概念，那么AP的概念也就比较简单了

随机样本的准确率和回归率计算

1、PR图

由上表以Recall值为横轴，Precision值为纵轴，我们就可以得到PR曲线。我们会发现，Precision与Recall的值呈现负相关，在局部区域会上下波动。

2、AP(Average Precision)

AP为平均精度，使用积分的方式来计算PR曲线与坐标轴围成的面积

但是在实际应用中，我们不是去对其进行计算，而是对其平滑操作来简化计算，对PR曲线上的每个点，Precision的值取该点右侧最大的Precision的值，结果如下图所示：

计算出AP之后，对所有的类别的AP求平均就可以得出整个数据集上的mAP

三、目标检测中的mAP

不同的数据集给出不同的mAP的计算方法

检测出来的bbox包含score和bbox，按照score降序排序，所以每添加一个样本，就代表阈值降低一点（真实情况下score降低，iou不一定降低）。这样就是可以有很多种阈值，每个阈值情况下计算一个Precious和Recall。

1. 使用区域选择算法得到候选区域
2. 对候选区域，计算每一个候选区域和标定框（groud truth）的iou
3. 设定一个iou阈值，大于这个的标为正样本，小于的标为负样本，由此得到一个类似于分类时的测试集。
4. 将给定的测试集（正负样本），通过分类器，算出每一个图片是正样本的score
5. 设定一个score阈值，大于等于此值的视作正样本，小于的作为正样本
6. 根据上一步的结果可以算出准确率和召回率
7. 调节score阈值，算出召回率从0到1时的准确率，通过计算所有类的AP就可以计算mAP了。

1、Interplolated AP（Pascal Voc 2008 的AP计算方式）

Pascal VOC 2008中设置IoU的阈值为0.5，如果一个目标被重复检测，则置信度最高的为正样本，另一个为负样本。在平滑处理的PR曲线上，取横轴0-1的10等分点（包括断点共11个点）的Precision的值，计算其平均值为最终AP的值。

2、MS COCO mAP

对于coco数据集来说，使用的也是Interplolated AP的计算方式。与Voc 2008不同的是，为了提高精度，在PR曲线上采样了100个点进行计算。而且Iou的阈值从 0.5 - 0.95 的区间上每隔0.05计算一次mAP的值，取所有结果的平均值作为最终的结果。除了AP，还有APs， APm等值，分别代表了如下含义

 

通常来说AP是在单个类别下的，mAP是AP值在所有类别下的均值。在这里，在coco的语境下AP便是mAP，这里的AP已经计算了所有类别下的平均值，这里的AP便是mAP。