好玩的目标检测-mAP的概念与实例
前缀知识:是TP、TN、FP、FN?
前缀知识:什么是Precision和Recall?
核心知识:什么是mAP?
mAP是深度学习模型的一个非常常见的模型评估指标,那么这么重要的一个指标究竟是一个啥东西呢?
在了解这个指标之前,我们需要明白以下几个概念:
什么是TP、TN、FP、FN?
现在假设我们的分类目标只有两类,分类结果正确的计为正例(positive)分类结果错误的j计为负例(negtive),然后我们就能得到如下的四种情况:
1)TP的英文全称为True Positives,其指的是被分配为正样本,而且分配对了的样本,代表的是被正确分类的正样本。
2)TN的英文全称为,其指的是被分配为负样本,而且分配对了的样本,代表的是被正确分类的负样本。
3)FP的英文全称为False Positives,其指的是被分配为正样本,但分配错了的样本,代表的是被错误分类的负样本。
4)FP的英文全称为False Negatives,其指的是被分配为负样本,但分配错了的样本,代表的是被错误分类的正样本。
什么是Precision和Recall?
Precision指的是精度;
Recall指的是召回率。
那么两者具体代表的意思是什么呢?
Precision 其实代表精确率,精确率表示预测样本中实际正样本数占所有正样本数的比例,
计算公式为:
精确率 = 正确预测样本中实际正样本数 / 所有的正样本数
即 precision = TP/(TP+FP);
Recall 召回率,召回率表示预测样本中实际正样本数占所有预测的样本的比例,
计算公式为:
召回率 = 正确预测样本中实际正样本数 /实际的正样本数
即 Recall = TP/(TP+FN) ;
什么是AP?
对于目标检测而言任务,每一个类都可以计算出其Precision和Recall,通过合理的计算,每个类都可以得到一条P-R曲线,曲线下的面积就是AP的值。
如下图所示:
计算面积:
即:AP = A1 + A2 + A3 + A4
什么是mAP?
讲到这里那究竟什么才是mAP?
其实mAP就是所有类别计算出来的AP取平均值!
mAP本质代表着什么?
为了理解mAP真正代表着什么,我们先来看看他的具体计算公式:
我们可以看出,mAP的分子是AP,而AP的分子是什么呢?换句话来说,什么与mAP成正比关系?
这个答案就是:分类器判断是正确的类别并且真实确实是正确类别的数量TP。
从这个角度来看,结论显然而出:
mAP体现的核心是其实就是准确率,mAP越高代表着的是判断是正确并且真正正确的精准度越高!