Skip to content

Latest commit

 

History

History
42 lines (35 loc) · 2.46 KB

20201128目标检测标准mAP原理.md

File metadata and controls

42 lines (35 loc) · 2.46 KB

目标检测标准mAP原理

  1. 术语
    Ground truth 目标的实际区域
    Prediction 算法识别的区域

  2. IoU(Intersection over Union)
    对于图像上的物体，IoU是Ground truth与Prediction交集的面积与Ground truth与Prediction并集的面积比值.

  3. 精度(precision)与召回率(Recall)
    精度: 算法发现且正确的物体数量与算法发现的物体数量比值.
    召回率: 算法发现且正确的物体数量与所有正确的物体数量比值.
    比如某数据集有1000个样本,其中有色素质的样本是200个.某算法分析该数据集,发现了300个色素质样本,其中有180个是正确的.那么该算法的精度是 180/300=0.6,召回率是180/200=0.9

  4. AP(average preision)
    图1图2
    AP是针对某一类对象而言.图1,图2中的阴影部分是某目标的Ground truth.矩形框是算法的Prediction. 1,2,3,4,5是Prediction的编号, 零点几几是各个Prediction的IoU.要计算上面对象的AP,要先建下表.

    编号 IoU Result Precision Recall
    1 0.8 True 1 0.5
    2 0.7 True 1 1
    3 0.2 False 0.67 1
    4 0.1 False 0.5 1
    5 0 False 0.4 1

    上表第1列是编号,第2列是各个Prediction的IoU由大到小排序.第3列表示识别是否正确.这里识别正确是指IoU大于0.5(0.5是参数也可以选其他值)且Prediction 的类别和Ground truth的类别一致.对于一个目标物体,若有多个Prediction和Ground truth有交集,则选IoU最大的Prediction(当然IoU要大 于0.5)的Reuslt为True. 所以对于一个目标物体,最多只有一个Prediction的result列为true.Precision是由上到下求当前识别出目标物体的精度. Recall是由上到下求当前识别出目标物体的召回率.可以把上表的Precision当成纵轴坐标,把Recall当成横轴坐标,那么就可以在坐标系中画出各点坐标. 再把各点连起来,可得到下图.
    图3
    图中阴影部分的面积即为该目标的AP.

  5. mAP
    多个类别AP的平均值即为mAP

  6. 参考资料