在看一些目标检测的论文时,经常会提到map和fps两个评价指标,下面就来看一下这些评价指标的规则方法。
我们在评价一个目标检测算法的“好坏”程度的时候,往往采用的是pascal voc 2012的评价标准mAP。
衡量预测框和标签框的重合程度。
这里需要一些混淆矩阵的知识,需要了解TP,FP,TN,FN,precision,recall的概念
1.根据IOU计算TP,FP
根据IOU是否大于0.5来判断该pre是属于TP还是属于FP
2.排序
根据每个pre的置信度进行从高到低排序
3.在不同置信度阈值下获得Precision和Recall
4.绘制PR曲线并计算AP值
AP为PR曲线下面积
5.计算mAP
AP衡量的是对一个类检测好坏,mAP就是对多个类的检测好坏。就是简单粗暴的把所有类的AP值取平均就好了。比如有两类,类A的AP值是0.5,类B的AP值是0.2,那么mAP=(0.5+0.2)/2=0.35
1秒内识别的图像数
目标检测通常分为两个阶段:(1)输入image输出所有objects可能的位置,产生大量的region proposol,(2)确定每个region proposol是目标还是背景。
产生的问题:性能,处理速度
ROI pooling层能从不同大小的方框得到固定大小的相应 的feature maps,实现training和testing的显著加速,并提高检测accuracy。