目标检测Precision/Recall curve中AP曲线为什么呈现下降趋势

在学习时发现在Precision/Recall curve中，ap是不断下降的

混淆矩阵

• 精度Precision(查准率)是评估预测的准不准(看预测列)
• 召回率Recall(查全率)是评估找的全不全(看实际行)

loU(Intersection over Union )

loU 为 1 表示预测的边界框和真实的边界框（ground-truth bounding boxes）完全重叠。
你可以设置一个阈值来确定 loU，以判断物体检测是否有效。
假设你将 loU 设置为 0.5，在这种情况下：

• 如果 loU ≥ 0.5，将物体检测分类为真正例（True Positive，TP）
• 如果 loU < 0.5，则将其视为错误的检测，并将其分类为假正例（False Positive，FP）
• 当图像中存在真实的物体，但模型未能检测到该物体时，将其分类为假负例（False Negative，FN）。
• 真负例（True Negative，TN）：TN 是图像中我们没有预测到物体的每一个部分。这个指标对于物体检测来说并不有用，因此我们忽略 TN。

AP（Average Precision）

• AP衡量的是学习出来的模型在每个类别上的好坏
• mAP衡量的是学出的模型在所有类别上的好坏。mAP就是取所有类别上AP的平均值

 AP in PASCAL VOC challeliy

对于PASCAL VOC挑战，如果loU>0.5，则预测为正样本(TP)。但是，如果检测到
同一目标的多个检测，则视第一个检测为正样本(TP)，而视其余检测为负样本(FP)。

 COCO AP & mAP

AP@.50 指的是在 loU（IoU，交并比）等于 0.50 时的 AP（平均精度）值。
AP@.75 指的是在 loU 等于 0.75 时的 AP 值。
对于 COCO 数据集来说，AP 是在多个 loU 级别上的平均值（考虑一个匹配为正例的最小 loU 值）。
AP@[.5:.95] 对应于从 0.5 到 0.95 的 loU 级别上的平均 AP，步长为 0.05。
对于 COCO 竞赛，AP 是在 80 个类别上的 10 个 loU 级别上的平均值（AP@[.50:.05:.95]：从 0.5 开始到 0.95 结束，步长为 0.05）。

下图为常见AP指标的解释 

用一个简单的例子来演示平均精度(AP)的计算。假设数据集中总共有5个苹果。我们收集模型为苹果作的所有预测，并根据预测的置信水平(从最高到最低)对其进行排名。第二列表示预测是否正确。如果它与ground truth匹配并且IoU≥0.5，则是正确的。 

可以看到，recall是一直在上升的，precision是有波动的。 

 使用11点法计算AP

此规则是10年之前PASCAL VOC CHALLENGE使用的

规则是向右看齐，把折线都拉伸成水平， 再计算下方的面积

这近似于找到绿色曲线下的总面积并将其除以11。下面是更精确的定义: 

 AUC法（Area Under Curve）计算AP

PASCAL VOC CHALLENGE自2010年后换了一种计算方法。新的计算方法假设这N个样本中有M个正例，那么我们会得到M个recall值(1/M,2/M,...,M/M),对于每个recall值r，我们可以计算出
对应(r'>r)的最大precision，然后对这M个precision值取平均即得到最后的AP值。