人体骨骼关键点检测AP值AP@s

$$OK{S}_p=\frac{{\Sigma }_i\exp \left\{-d_{pi}^2/\left(2S_p^2{\sigma }_{pi}^2\right)\right\}\delta \left(v_{pi}=1,v_{pi}^{\prime }=1\right)}{{\Sigma }_i\delta \left(v_{pi}=1\right)}$$

预测点与真实点距离

如图d1就代表了欧式距离：
$$d_1^2={\left(x_1^{\prime }-x_1\right)}^2+{\left(y_1^{\prime }-y_1\right)}^2$$
显然距离与最后得分OKS成正比。
$$d_1^2={\left(x_i^{\prime }-x_i\right)}^2+{\left(y_i^{\prime }-y_i\right)}^2$$
$d_i$ 表示人物编号为$i$的关键点欧式距离。
欧式距离的平方可以看成两维的，为了与下面提到的面积保持维度一致性，所以这里采用欧式距离的平方。

人工标注位置偏移

显然人工标注位置偏移与面积有关所以$\sigma =E(d/s)$

假设头顶编号为 1 , 左脚踝编号为 12 。
$\left(x_{1,1},y_{1,1}\right)$ 代表编号为 1 的关键点，第1个目标，真实坐标 $\left(x_{1,1}^A,y_{1,1}^A\right)$ 代表编号为 1 的关键点，第 1 个目标，A预测坐标 $\left(x_{12,2},y_{12,2}\right)$ 代表编号为 12 的关键点，第2个目标，真实坐标 $\left(x_{12,2}^B,y_{12,2}^B\right)$ 代表编号为 12 的关键点，第2个目标，B预测坐栈 两种统计方式:

第一种，考虑所有目标相同编号点的所有模型预测的离散程度
$$r_{i,j}^m=\sqrt{\frac{{\left(x_{i,j}^m-x_{i,j}\right)}^2+{\left(y_{i,j}^m-y_{i,j}\right)}^2}{w_i{h}_i}}$$
$r_{i,j}^m$代表模型m在目标j上关键点i的预测偏移值。
可以先求平均：
$$\overline{r_1}=\frac{r_{1,1}^A+r_{1,2}^A+r_{1,1}^B+r_{1,2}^B}{4}$$
$$\overline{r_{12}}=\frac{r_{12,1}^A+r_{12,2}^A+r_{12,1}^B+r_{12,2}^B}{4}$$
在求均方差，
$${\sigma }_1=E\left(\frac{d_1}{S}\right)=\sqrt{\frac{{\left(r_{1,1}^A-\overline{r_1}\right)}^2+{\left(r_{1,2}^A-\overline{r_1}\right)}^2+{\left(r_{1,1}^B-\overline{r_1}\right)}^2+{\left(r_{1,2}^B-{\bar{r}}_1\right)}^2}{4}}$$
$${\sigma }_{12}=E\left(\frac{d_{12}}{S}\right)=\sqrt{\frac{{\left(r_{12,1}^A-\overline{r_{12}}\right)}^2+{\left(r_{12,2}^A-\overline{r_{12}}\right)}^2+{\left(r_{12,1}^B-\overline{r_{12}}\right)}^2+{\left(r_{12,2}^B-\overline{r_{12}}\right)}^2}{4}}$$
第二种，各自模型考虑各自模型的预测所有目标的相同编号点的离散程度。
先求平均值，
$$\overline{r_1^A}=\frac{r_{1,1}^A+r_{1,2}^A}{2}$$
$$\overline{r_{12}^A}=\frac{r_{12,1}^A+r_{12,2}^A}{2}$$
在求均方差，
$${\sigma }_1^A=E\left(\frac{d_1}{S}\right)=\sqrt{\frac{{\left(r_{1,1}^A-\overline{r_1^A}\right)}^2+{\left(r_{1,2}^A-\overline{r_1^A}\right)}^2}{2}}$$
$${\sigma }_{12}^A=E\left(\frac{d_{12}}{S}\right)=\sqrt{\frac{{\left(r_{12,1}^A-\overline{r_{12}^A}\right)}^2+{\left(r_{12,2}^A-\overline{r_{12}^A}\right)}^2}{2}}$$
通常用第二种方式即可。

克罗内克函数

$\times$ 人工标注数据的时候，每个关键点有三种属性 $v$ :
$v=0$,表示这个关键点不可见，不在图中，或者无法推测在哪;
$v=1$,表示这个关键点可见;
$v=2$,表示这个关键点不可见，但是可以推测出在哪;
$\times$ 预测出来的关键点也分两种属性 $v^{\prime }$ :
$v^{\prime }=0$, 表示这个关键点末预测出来;
$v^{\prime }=1$,表示这个关键点预测出来了;
在计算OKS的时候，分子只计算人工标注出来可见，且预测出来的点。分母只计算人工标注出可见的点。 克罗内克函数，
$$\delta \left(v_i=1\right)=\{\begin{array}{l}1,if{v}_i=1\\ 0,if{v}_i/=1\end{array}$$
也就是 $v_i=1$ 时，函数取值为 $1，v_i/=1$ 时，函数取值为 0 .

归一化

指数函数 $\exp (-x)=e^{-}x=\frac{1}{e^x}$ 的作用是把
$$d_i^2/\left(2S^2{\sigma }_i^2\right)$$
的取值范围限定在0到1上，且使得距离，人体面积，人工标注偏移与OKS得分和上述分析的增减性保持一致。

平均准确率（AP)

平均准确率 (AP) 给定OKS阈值s，预测的结果在整个测试集上的平均准确率 $(AP@s)$ 可由测试集中所有图片的OKS 指标计算得到:
$$AP@s=\frac{{\Sigma }_p\delta \left(OK{S}_p>s\right)}{{\Sigma }_{p}1}$$

平均准确率 (AP) 的均值(mAP)

最终指标mAP的计算方式如下所示:
m A P = mean ⁡ { A P @ ( 0.50 : 0.05 : 0.95 ) } m A P=\operatorname{mean}\{A P @(0.50: 0.05: 0.95)\} mAP=mean{AP@(0.50:0.05:0.95)}
从给定阈值0.5到0.95按照0.05步长递计算AP后，再取平均值。