mask rcnn涉及点__AP;mAP

参考多篇博客,仅供参考学习

AP（平均精度）

AP50（即，以0.5 为IoU临界值估计出平均准确度)

Mask-RCNN校验结果可以通过计算mAP值得到一个数值的衡量，在10张图片上计算平均值，增加更高的准确性。

mAP值的计算

P：precision，即准确率；

R：recall，即 召回率。

PR曲线：即以precision和recall作为纵、横轴坐标的二维曲线。

AP值：Average Precision，即平均精确度。

mAP值：Mean Average Precision，即平均AP值；是对多个验证集个体求平均AP值。

 

一些相关的定义。假设现在有这样一个测试集，测试集中的图片只由大雁和飞机两种图片组成，假设你的分类系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。

True positives : 正样本被正确识别为正样本，飞机的图片被正确的识别成了飞机。
True negatives: 负样本被正确识别为负样本，大雁的图片没有被识别出来，系统正确地认为它们是大雁。
False positives: 假的正样本，即负样本被错误识别为正样本，大雁的图片被错误地识别成了飞机。
False negatives: 假的负样本，即正样本被错误识别为负样本，飞机的图片没有被识别出来，系统错误地认为它们是大雁。
Precision其实就是在识别出来的图片中，True positives所占的比率。也就是本假设中，所有被识别出来的飞机中，真正的飞机所占的比例。

P=检测正确/（检测正确+检测误以为正确）   

Recall 是测试集中所有正样本样例中，被正确识别为正样本的比例。也就是本假设中，被正确识别出来的飞机个数与测试集中所有真实飞机的个数的比值。

R=检测正确/（检测正确+检测误以为错误）

Precision-recall 曲线：改变识别阈值，使得系统依次能够识别前K张图片，阈值的变化同时会导致Precision与Recall值发生变化，从而得到曲线。

AP: 就是Precision-recall 曲线下面的面积，通常来说一个越好的分类器，AP值越高。
mAP是多个类别AP的平均值。这个mean的意思是对每个类的AP再求平均，得到的就是mAP的值，mAP的大小一定在[0,1]区间，越大越好。该指标是目标检测算法中最重要的一个。