- 非VOC2007的算法:对于某类下全部的真实目标,将IOU>=0.5 的作为检测出来的目标,取不同的confidence 阈值计算对应的precision 和recall,对于每个recall,取其对应的最大precision,对这些precision 求平均即为该类的AP 值。所有类的AP 值求平均即为mAP。
- VOC2007的算法:取[0, 0.1, 0.2, 0.3, ......, 1]作为confidence 阈值计算precision 和recall,其余同上。
P-R曲线:使用recall - max_precision 对绘制的曲线。某类的AP 值等于其P-R曲线下的面积。
在评测时,COCO评估了在不同的交并比(IoU)[0.5:0.05:0.95]共10个IoU下的AP,并且在最后以这些阈值下的AP平均作为结果,记为mAP@[.5, .95]。
而在Pascal VOC中,检测结果只评测了IOU在0.5这个阈值下的AP值。
因此相比VOC而言,COCO数据集的评测会更加全面:不仅评估到物体检测模型的分类能力,同时也能体现出检测模型的定位能力。因此在IoU较大如0.8时,预测框必须和真实的框具有很大的重叠比才能被视为正确。