目标检测中常见参数

一、感受野

卷积神经网络中每个网络层输出的特征图中的单个元素映射回原始输入特征中的区域大小，网络层越深，其输出特征的元素对应感受野越大。可以这么去描述感受野：网络层输出特征图上的一个元素点，由原始输入中多大区域映射而来，其感受野就是多大

原始输入O（7,7），共经历3个卷积层：此时三个卷积层的输出依次为A（5,5），B（3,3）和C（1,1）。对于C而言，仅有一个元素，是由B中3×3区域得到；对于B而言，每个元素由A中（3,3）区域得到，所有元素由A中（5,5）区域得到；对于A而言，每个元素由原始输入O中（3,3）区域得到，所有元素由O中（7,7）区域得到，A中一个（3,3）区域的特征由O中（5,5）特征映射而来，所以对于三个卷积层的输出结果A、B、C来说，感受野依次为（3,3）、（5,5）、（7,7）。

二、IOU 交并比（Intersection over union）

三、精确率-查准率-准确率

首先明确一下几个表示：
-True Positive(真正, TP)：将正类预测为正类数.
-True Negative(真负, TN)：将负类预测为负类数.
-False Positive(假正, FP)：将负类预测为正类数 →→ 误报 .
-False Negative(假负, FN)：将正类预测为负类数 →→ 漏报 .

精确率—查准率——precision：被检测出来正确的样本占全部被检测出来的样本的比例

precision = TP / (TP + FP)

召回率—查全率—recall：被检测出来正确的样本占全部正确样本的比例

recall = TP / (TP + FN)

准确率—accuracy：正类和负类预测准确的比例。

accuracy = (TP + TN) / (TP+ FP + TN + FN)

四、ROC曲线

五、P-R曲线

六、AP

1、AP即Average Precision，称为平均准确率，是对不同召回率点上的准确率进行平均，在PR曲线图上表现为PR曲线下面的面积。AP的值越大，则说明模型的平均准确率越高。

2、AP(average precision 平均精度)：虽然名为平均精度，但AP的计算方法并不是计算Precision的平均值，而是计算每个类别的PR曲线与坐标轴围成的面积，可以用积分的方法进行计算。如果一个模型的AP越大，也就是说PR曲线与坐标轴围成的面积越大，Precision与Recall在整体上也相对较高。

七、mAP

1、mAP(mean of Average Precision) : 对所有类别的AP值求平均值。AP可以反映每个类别预测的准确率，mAP就是对所有类的AP求平均值，用于反映整个模型的准确率。

2、如果是多类别目标检测任务，就要使用mAP，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。

3、mAP@0.5

mAP@0.5，这种形式表示在IOU阈值为0.5的情况下，mAP的值为多少。当预测框与标注框的IOU大于0.5时，就认为这个对象预测正确，在这个前提下再去计算AP的均值mAP。

4、mAP@[0.5:0.95]

还存在mAP@[0.5:0.95]这样一种表现形式，这形式是多个IOU阈值下的mAP，会在区间[0.5,0.95]内，以0.05为步长，取10个IOU阈值，分别计算这10个IOU阈值下的mAP，再取平均值。

八、置信度阈值

因为一张图片的检测可能会有很多很多框，所以我们需要给定一个范围，只有达到这个范围才能显示出来。
比如：置信度设置为0.9，那么只有当概率超过0.9的时候才会说这个检测出来的是正确的。

九、NMS(非极大抑制)

NMS即non maximum suppression即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。

在物体检测中，NMS 应用十分广泛，其目的是为了清除多余的框，找到最佳的物体检测的位置。

十、FPS（每秒帧率）

除了检测准确度，目标检测算法的另外一个重要性能指标是速度，只有速度快，才能实现实时检测，这对一些应用场景极其重要。评估速度的常用指标是每秒帧率（Frame Per Second，FPS），即每秒内可以处理的图片数量。当然要对比FPS，你需要在同一硬件上进行。另外也可以使用处理一张图片所需时间来评估检测速度，时间越短，速度越快。