【mAP】关于目标检测mAP的一些理解

mAP是目标检测中的基本指标，详细理解有助于我们评估算法的有效性，并针对评测指标对算法进行调整。

1.基本概念定义

• 在目标检测中IoU为检测框与GroundTruth重叠的比例，如果大于0.5则算作正确True，小于0.5则算作错误False；
  其中0.5是VOC比赛中设定的阈值，具体见论文"The PASCAL Visual Object Classes (VOC) Challenge"Page_11。需要说明的是，阈值的改变会影响检测结果，TP\FP\FN\TN等都会随着阈值的改变而改版。
  
  
  具体的IoU定义和计算如下图所示：
  

对于目标检测来说，IoU大于阈值、检测到框算作是positive；

• 真阳性TP：正确样本预测为正，在目标检测中为IoU大于阈值记为TP；
• 假阳性FP：错误样本预测为正，检测框的IoU小于阈值记为FP；
• 假阴性FN：正确样本预测为负，没有检测到框；
• 真阴性TN：错误样本预测为负；
  
  

对每个样本的检测可以通过上面TP/FP/FN的计数来计算出精度与召回率。

• Precision精度，即TP/(TP+FP)。指所有结果中正确的检索所占比例。结果中包含了真阳性结果TP和假阳性结果FP。其含义为所有被预测为正类的结果（其中也包含了被错误预测成正类的FP）中预测正确的结果所占比例。
  
  $Precision=\frac{TP}{TP+FP}$

• Recall召回率，即TP/(TP+FN)。指模型查找出正确对象的概率。其中包含了正确预测的正类TP，也包括了将正类错误预测成负类的FN。召回率的本质可以理解为查全率，即结果中的正样本占全部正样本的比例。
  
  $Recall=\frac{TP}{TP+FN}$

• PR：精度-召回率（$Precision-Recall$）曲线。这条曲线的两个变量程负相关，精度越高，召回率越低；召回率越高，精度越低。如果将所有对象都预测为正类，没有被错误预测成负类的正类（FN为0）那么召回率将为100%；如果将所有对象的预测都为负，没有被错误预测成正的样本，那么精度就将为100%,这两个指标间存在着此消彼长的关系，理想的曲线是向右上方凸出的、包围面积大的曲线。

• AP均匀精度Average Precision：PR曲线下所围成的面积，面积越大越好；这里的average指的是针对不同recall的平均精度。

• mAP平均均匀精度，mean Average Precision，指各类计算出AP在不同类别上的均值。这里的mean指的是对于检测算法在数据集上各类对象的表现。

• Top-1/Top 错误率：指的是预测概率最高的类别输入目标类别的准确率。top1就是最高类别为目标类别的准确率，top5就是最高的五个中命中目标类别的准确率。

2.AP计算

要计算mAP，首先需要计算每一个类别的AP值，主要有两种方法来计算PR曲线下的均值。

• 一种方法是选取$Recall>=[0:0.1:1]$等11个值时，其recall>当前recall对应精度precision的最大值，并由这11个最大精度值求取均值即为AP。这种方法也称为11-point interpolated average precision。根据论文对AP的定义：
  A P = 1 11 ∑ r ⊂ 0.0.1 , . . . , 1 p i n t e r p ( r ) AP = \frac{1}{11}\sum \limits_{r\subset{0.0.1,...,1}}p_{interp}(r) AP=111​