目标检测中的mAP是什么含义？

这里首先介绍几个常见的模型评价术语，现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）分别是：

1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；

2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；

3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；

4）True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。

---------------------

首先来看roc，识别率是正样本识别对的占所有正样本的概率；误识率是负样本识别成正样本占所有负样本的概率；

PR曲线中的P即准确率是正样本识别正确的占用所有识别认为是正样本的概率；召回率R是正样本识别正确的占所有正样本的个数，所以和ROC中的识别率等价。

AP是是召回率在0~1之间PR曲线下的面积（这个面积代表的是平均准确率）。一般来说识别率和误识率抑制。准确率和召回率也是抑制，原因就是类与类之间那个分界线不好切，总是相互抑制的切一刀。

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

深度学习公众号：facefinetune