ap 目标检测算法map_机器学习-目标检测和计算机视觉中的mAP度量

我认为这里的重要部分是链接如何将对象检测视为与标准信息检索问题相同，对于该问题至少存在一个关于平均精度的出色描述。

某些对象检测算法的输出是一组建议的边界框，并且每个边界框都有一个置信度和分类分数(每类一个分数)。 现在让我们忽略分类分数，并使用置信度作为阈值二进制分类的输入。 直观上，平均精度是阈值/截止值的所有选择的总和。 可是等等; 为了计算精度，我们需要知道一个盒子是否正确！

这是令人困惑/困难的地方； 与典型的信息检索问题相反，我们实际上在这里有一个额外的分类级别。 也就是说，我们无法在框之间进行精确匹配，因此我们需要对边界框是否正确进行分类。 解决的方法是对包装盒尺寸进行硬编码分类。 我们会检查它是否与任何基本事实充分重叠以被视为“正确”。 这部分的阈值是根据常识选择的。 您正在处理的数据集可能会定义“正确”边界框的阈值。 大多数数据集只是将其设置为0.5 IoU，然后将其设置为该值(我建议进行一些手动IoU计算([不难]，以体会0.5 IoU的严格程度)。

现在，我们已经定义了“正确”的含义，我们可以使用与信息检索相同的过程。

要查找平均平均精度(mAP)，您只需根据与这些框相关的最大分类得分对建议的框进行分层，然后对各个类别的平均精度(AP)进行平均(取平均值)即可。

TLDR; 在确定边界框预测是否为“正确”(分类的额外级别)与评估框的置信度向您告知“正确”边界框预测(完全类似于信息检索的情况)和以下方面的典型描述之间进行区分： 行动计划将是有道理的。

值得注意的是，Precision / Recall曲线下的Area与平均精度相同，并且我们实际上是使用梯形或右手定则来近似该面积以近似积分。