mAPH
相信阅读过在Waymo数据集上测试论文的同学都会发现mAPH这个指标,但是我在查阅了全网的资料居然都没相关的解释(除了需要翻墙才能进的Waymo官网下的What’s Next)。
所以为了帮助下一个想了解却苦苦无法找到相关解释的人,这里给出官方的介绍截图和我的理解(其实不难)
首先给出官网截图,如果基础较好的同学自行阅读就好:
首先我们回顾一下 m A P mAP mAP:计算出 P r e c i s i o n Precision Precision与 R e c a l l Recall Recall两个参数之后,以 P r e c i s i o n Precision Precision和 R e c a l l Recall Recall分别为纵轴和横轴,就可以画出 P r e c i s i o n − R e c a l l ( P − R ) Precision-Recall(P-R) Precision−Recall(P−R)曲线,如图:
P
−
R
P-R
P−R曲线所围成的面积就叫做为
A
v
e
r
a
g
e
P
r
e
c
i
s
i
o
n
(
A
P
)
Average Precision(AP)
AveragePrecision(AP)。
其中:
P
r
e
c
i
s
i
o
n
=
T
P
/
(
T
P
+
F
P
)
Precision=TP/(TP+FP)
Precision=TP/(TP+FP)
R
e
c
a
l
l
=
T
P
/
(
T
P
+
F
N
)
Recall=TP/(TP+FN)
Recall=TP/(TP+FN)
至于
T
P
、
T
N
、
F
P
、
F
N
TP、TN、FP、FN
TP、TN、FP、FN四个参数的数量之和为样本总量,他们代表的分类结果如下表:
最后我们回看官网解释,不难知道,它的计算方法与mAP不同的地方在于绘制的P-R图是由预测的heading准确率加权的,即TP参数会被预测的heading加权。记预测的heading与真实的heading角度差为A(A值域为
[
0
,
Π
]
[0,Π]
[0,Π]),对每一个真正例的TP计算方法如下:
T
P
=
1
−
A
/
Π
TP = 1 - A/Π
TP=1−A/Π
(
m
A
P
mAP
mAP中的每个目标的
T
P
TP
TP为1,即混淆矩阵中TP的个数和这里变成了每一个目标加权之后的TP之和)
其他指标都不变,以此来绘制
P
−
R
P-R
P−R图并计算mAP就是
m
A
P
H
mAPH
mAPH了。