mAP_Roi
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。
IOU(交并比)
衡量预测框和标签框的重合程度。
计算mAP
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
FPS
1秒内识别的图像数
ROI-Pooling
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。