上一章《機器學習回歸模型評價指標-mae, mse, mape及**實現》主要講述了mae, mse, mape的概念以及**實現，本章講述目標檢測的指標ap與map。
ap和map是影象分類任務中的評價方法.
舉例說明
首先用訓練好的模型得到所有測試樣本的confidence score，每一類(如car)的confidence score儲存到乙個檔案中(如comp1_cls_test_car.txt)。假設共有20個測試樣本，每個的id，confidence score和ground truth label如下：
接下來對confidence score排序，得到：
ground truth label通過**的bbox與ground truth的iou確定為正樣本或負樣本。我們得到top-5的結果，前score最高的前5個樣本，**label為1，即：
在這個例子中，true positives就是指第4和第2張，false positives就是指第13，19，6張。是相對於方框內的元素而言，在這個例子中，confidence score排在top-5之外的元素為false negatives和true negatives，即：
其中，false negatives(fn)是指第9，16，7，20張，true negatives(tn)是指1,18,5,15,10,17,12,14,8,11,3張。那麼，這個例子中precision=2/5=40%，意思是對於car這一類別，我們選定了5個樣本，其中正確的有2個，即準確率為40%；recall=2/6=30%，意思是在所有測試樣本中，共有6個car，但是因為我們只召回了2個，所以召回率為30%
實際多類別分類任務中，我們通常不滿足只通過top-5來衡量乙個模型的好壞，而是需要知道從top-1到top-n(n是所有測試樣本個數，本文中為20)對應的precision和recall。
假設這n個樣本中有m個正例，那麼我們會得到m個recall值(1/m, 2/m, ..., m/m),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值取平均即得到最後的ap值。計算方法如下：
ap衡量的是模型在每個類別上的好壞，計算每個分類的ap，求和再平均，得到的就是map。
此例中採用top-5評估，也可採用其他評估，如ap50，即當**框與真實框的iou值大於這個閾值時，該**框才被認定為真陽性(true positive, tp)，反之就是假陽性(false positive，fp)。
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...
目標檢測演算法對比 目標檢測演算法工程落地
覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程 列出幾點重點說明一下 1 網路的選取和調參是關鍵 網路選取 考慮到實際情況的實時性 硬體效能，需考慮參數量較小的檢測網路，更傾向於單階段式的網路 基於yolossd等的多個變體網路 其次基礎特徵提取網路backbone的替換，傳統都是vgg的特徵提...
目標檢測演算法歷史
最近在做一些目標檢測相關的東西，目標檢測是計算機視覺裡面最重要的課題之一了，很多場合檢測和識別都是很重要的，比如現在很火的無人駕駛，就非常依賴目標檢測和識別，需要非常高的檢測精度和定位精度。目標檢測從很早就開始有了。傳統演算法的典型代表有 haar特徵 adaboost演算法 hog特徵 svm演算...