目标检测之mAP

经常在论文上看到的mAP到底是什么呢

mAP是在一个数据集上得到的，用来作为衡量一个模型的性能，在一个公共的目标价检测数据集上，不同的目标检测方法得到不同的mAP，以此来比较方法的好坏。在数据集中，物体类别的数量分布不均，从而导致模型在训练的时候有些类别（具有良好训练数据的类）训练的很好，而有的（具有较少和不良数据的类）则训练的比较差，导致最终得到的mAP值不是很理想，所以平衡数据集对于mAP来说很重要。

一些概念的介绍

1.正负样本

对于正负样本的定义，分类和检测有不同的标准。
对于分类问题：

1. 正样本：如果上图所示，对人和周围的物体进行分类，人（人工标注的框框）就是正样本。
2. 负样本：在上图中，负样本就可以是电视、风扇、墙。负样本的选取，不能与处理问题的环境毫无关系的背景图，这样的选取毫无意义。

对于检测问题：

1. 正样本和负样本：检测问题里面的正样本并不是那些人工标注的框框，而是由网络生成的框框，也就是anchor boxes，在这些anchor boxes中选择一部分作为正样本，一部分作为负样本，还有一些不参与运算。在不同的框架里面有不同的决定策略，大多都是根据IoU的阈值范围来决定