从图像的角度理解precision, recall, IoU三个概念,我觉得下面这个图非常直观:
参考网页:
How to calculate mAP for detection task for the PASCAL VOC Challenge?datascience.stackexchange.com
维基百科上对precision, recall的解释如下:
用一个目标识别的例子解释上图:有一个图片,里面有12个狗和若干只猫,我们的任务是识别狗。而你的模型识标记处来的8个“狗”中只有5个是真正的狗(true positives),其他的是猫(false positives)。所以precision=5/8;recall=5/12 。
precision又叫 positive predictive value,recall又叫sensitive;对于一个模型来说,这两个参数有着此消彼长的关系,就是一个的提高是往往是以消耗另一个为代价的,很难做到两个参数都很接近1,如下图所示。
参考网页:
Precision and recallen.wikipedia.org
AP score 定义为precision 在11个等距离的recall值之和的平均值, Recall_i = [0, 0.1, 0.2, …, 1.0]. 即
参考下面文献的第4.2节:
http://host.robots.ox.ac.uk/pascal/VOC/pubs/everingham10.pdfhost.robots.ox.ac.uk
mAP是通过计算所有类(或所有超过IoU阈值)的AP平均值
the mean Average Precision or mAP score is calculated by taking the mean AP over all classes and/or over all IoU thresholds,depending on the competition.
参考网页:
注:只是自己看书的理解,恐有错漏,请多指教!