AP mAP檢測評估指標

理論部分的研究看這個鏈結

自己用python實現了precision和recall的計算，並畫pr曲線的**附上：

import matplotlib.pyplot as plt
score =
[0.91
,0.76
,0.65
,0.46
,0.45
,0.38
,0.24
,0.23
,0.23
,0.13
,0.12
,0.12
,0.11
,0.1
,0.09
,0.08
,0.07
,0.03
,0.03
,0.01
]gt =[1
,1,0
,0,0
,1,1
,0,0
,0,1
,0,0
,0,0
,1,0
,0,0
,0]precision, recall =
,#不同threshold下的precision和recall值構成的列表
for i in
range(1
,21):
tp = gt[
:i].count(1)
fp = gt[
:i].count(0)
fn = gt[i:
].count(1)
tn = gt[i:
].count(0)
(tp + fp)
)(tp + fn)
)plt.figure(1)
plt.xlabel(
'recall'
)plt.ylabel(
'precision'
)plt.plot(recall,precision)
#recall是橫座標，precision是縱座標
plt.show(
)

得到的pr曲線如下：

voc07和voc10有兩種不同的評判方式，

（下圖綠色框）選擇每個recall區間內對應的最高precision，最後求平均得到ap。

#count記錄recall區間的個數

ap =

0for i in

range

(len

(recall)):

if i>=

0and recall[i]

==recall[i-1]

:continue

ap += precision[i]

(ap/

len(count)

)（上圖白色框），假設n個樣本有m個正例，那麼會得到m個recall值，對於每個recall值r，我們可以計算出對應（r』 > r）的最大precision，然後對這m個precision值取平均即可得到最後的ap值。

主要在recall = 3 / 6下的precision，可以發現voc07找的top-precision是在該recall區間段內的，但voc10相當於是向後查詢的，需確保該recall閾值以後的區間內，對應的是top-precision，可知4 / 7 > 3 / 6，因此使用4 / 7替換了3 / 6，其他recall閾值下的操作方式類似；

voc07是11點插值的ap方式，等於是卡了11個離散的點，劃分10個區間來計算ap，但voc10是是根據recall值變化的區間來計算的，在這個栗子裡，recall只變化了6次，但如果recall變化很多次，如100次、1000次、9999次等，就可以認為是一種「偽」連續的方式計算了；

經過「去重」後的recall就沒有重複了，這樣得到的pr曲線如下，是單調遞減的。

roc和auc是評價分類器的指標， roc關注兩個指標：

true positive rate ( tpr ) = tp / [ tp + fn] ，tpr代表能將正例分對的概率

false positive rate( fpr ) = fp / [ fp + tn] ，fpr代表將負例錯分為正例的概率

還是用上面的資料，畫出roc曲線如下所示：

auc是roc曲線下的面積。

在實際問題中，precision/recall/漏檢率/誤檢率的計算往往是用二分類的評價指標來做的，就是要先求tp/fp/tn/fn這四個引數，然後根據前面說的步驟求解。但是在檢測領域，計算方式如下：

precision

對於某個類別c，在某張上，precision =在一張上類別c識別正確的個數（也就是iou>0.5）/一張上類別c的總個數

ap=每張上的precision求和/含有類別c的數目

map=上一步計算的所有類別的ap和/總的類別數目。相當於所有類別的ap的平均值。

更新：分類任務的map計算，是

AP mAP檢測評估指標

信用評測,評估

顯著性檢測評價指標

關於目標檢測中的AP，mAP解釋

AP mAP檢測評估指標

信用評測,評估

顯著性檢測評價指標

關於目標檢測中的AP，mAP解釋

相關推薦