如何衡量目标检测算法的优劣
目标检测(object detection)问题相对于一般AI分类问题更加复杂,不仅检测出目标,输出目标的类别,还要定位出目标的位置。分类问题中的简单accuray指标已经不能反映出目标检测问题结果的准确度,而mAP (Mean Average Precision)就是被用来衡量目标检测算法优劣的常用指标。
要理解什么是mAP,需要先澄清什么是Precision(查准率)和Recall(查全率)。
Precision和Recall
定义
查准率和查全率是在信息检索、Web搜索等应用中经常出现的性能度量指标,在机器学习中,也可以用来度量“预测结果中有多少比例是用户感兴趣的”。对于二分类问题,可将样例根据其真实类别与预测类别的组合划分为:
TP、TN、FP、FN
TP (True Positive): 真正例。Positive指预测输出为正,True代表预测正确。
TN (True Negative): 真反例。预测输出为负,而且预测正确。
FP (False Positive): 假正例。预测输出为正,但是预测错误。
FN (False Negative): 假反例。预测输出为负,但是预测错误。
Precision
Precision(查准率): 所有预测为正例的结果中,预测正确的比率。
Recall
Recall (查全率):所有正例中被正确预测的比率。