目标检测中的mAP等入门级定义
2018-09-05 19:39:32 +08 字数：708 标签： AI本文记录了目标监测相关的Precision、Recall、IoU、AP、mAP等入门级概念的定义。
目标检测相关定义 ¶
| 定义 | 缩写 | 译文 | 解释 |
|---|---|---|---|
| Precision | P | 精确率 | $ Precision = \frac{Object \bigcap Detected}{Detected} $ |
| Recall | R | 召回率 | $ Recall = \frac{Object \bigcap Detected}{Object} $ |
| Intersection over Union | IoU | 交集并集比 | $ IoU = \frac{Object \bigcap Detected}{Object \bigcup Detected} $ |
| True Positive | TP | 真阳性 | $ IoU > 0.5 $ 的检测框数量 |
| False Positive | FP | 假阳性 | $ IoU \leq 0.5 $ 的检测框数量 |
| False Negative | FN | 假阴性 | $ IoU \leq 0.5 $ 或没有检测到的目标数量 |
Average Precision ¶
为了更好地评估一个模型的准确率，于是提出了单个类别AP（Average Precision，平均精度）的概念。 PR-curve的曲线下面积，即积分，就是AP。
$$ AveP = \int_0^1 p(r) dr $$
其中，$p$是Precision，$r$是Recall。
在离散情况下，也有连加的形式：
$$ AveP = \sum_{k=1}^n P(k) \Delta r(k) $$
其中，$k$是序列数，$n$是序列总数，$P(k)$是$k$的Precision，$\Delta r(k)$是$k-1$到$k$的Recall增量。
离散和还可以写成以下形式：
$$ AveP = \frac{\sum_{k=1}^n (P(k) \times rel(k))}{rel(k)} $$
其中，$rel(k)$是一个非$0$即$1$的函数，代表$k$的相关性。
Mean Average Precision ¶
MAP（Mean Average Precision，平均AP值）是多个类别AP值的平均数。
$$ MAP = {\sum_{q=1}^Q AveP(q) \over Q} $$
其中，$q$为类别，$Q$为类别总量。 如果只有一个类别，那么$MAP$就等价于$AveP$。
其它定义（classification语境） ¶
| 定义 | 缩写 | 译文 | 解释 |
|---|---|---|---|
| Precision | P | 精确率 | $ Precision = \frac{TP}{TP+FP} $ |
| Recall | R | 召回率 | $ Recall = {TP \over TP+FN} $ |
| Precision Recall curve | PR-curve | PR曲线 | 以$Precision$和$Recall$为纵、横坐标的二维曲线 |
| True negative rate | TNR | 真阴性率 | $ TNR = \frac{TN}{TN+FP} $ |
| Accuracy | 准确率 | $ Accuracy = \frac{TP+TN}{TP+TN+FP+FN} $ | |
| Predicted positive condition rate | PPCR | 预测正确率 | $ PPCR = \frac{TP+FP}{TP+FP+TN+FN} $ |
