precision 准确率, recall 召回率 , IoU, mAP

从图像的角度理解precision, recall, IoU三个概念，我觉得下面这个图非常直观：

 

参考网页：

How to calculate mAP for detection task for the PASCAL VOC Challenge?​datascience.stackexchange.com

 

维基百科上对precision, recall的解释如下：

用一个目标识别的例子解释上图：有一个图片，里面有12个狗和若干只猫，我们的任务是识别狗。而你的模型识标记处来的8个“狗”中只有5个是真正的狗（true positives），其他的是猫（false positives）。所以precision=5/8；recall=5/12 。

precision又叫 positive predictive value，recall又叫sensitive；对于一个模型来说，这两个参数有着此消彼长的关系，就是一个的提高是往往是以消耗另一个为代价的，很难做到两个参数都很接近1，如下图所示。

参考网页：

Precision and recall​en.wikipedia.org

 

AP score 定义为precision 在11个等距离的recall值之和的平均值, Recall_i = [0, 0.1, 0.2, …, 1.0]. 即

参考下面文献的第4.2节：

http://host.robots.ox.ac.uk/pascal/VOC/pubs/everingham10.pdf​host.robots.ox.ac.uk

 

mAP是通过计算所有类（或所有超过IoU阈值）的AP平均值

the mean Average Precision or mAP score is calculated by taking the mean AP over all classes and/or over all IoU thresholds,depending on the competition.

参考网页:

https://medium.com/@timothycarlen/understanding-the-map-evaluation-metric-for-object-detection-a07fe6962cf3​medium.com

 

 

注：只是自己看书的理解，恐有错漏，请多指教！