计算机视觉领域常见的度量指标

一：Precision, Recall, F-score

信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate------注意统计学习方法中precesion称为精确率，而准确率为accuracy 是分类正确的样本除以总样本的个数。)，召回率也叫查全率，准确率也叫查准率，概念公式:

            召回率(Recall)=  系统检索到的相关文件 / 系统所有相关的文件总数；；；亦即预测为真实正例除以所有真实正例样本的个数
            准确率(Precision)=  系统检索到的相关文件 / 系统所有检索到的文件总数；；；亦即等于预测为真实正例除以所有被预测为正例样本的个数

图示表示如下：
注意：(1)准确率和召回率是互相影响的，理想情况下肯定是做到两者都高，但是一般情况下准确率高、召回率就低，召回率低、准确率高，当然如果两者都低，那是什么地方出问题了。

        （2）如果是做搜索，那就是保证召回的情况下提升准确率；如果做疾病监测、反垃圾，则是保准确率的条件下，提升召回。

所以，在两者都要求高的情况下，可以用F1(或者称为F-score)来衡量。计算公式如下：

                     F1= 2 * P * R / (P + R)  
二：MAP

MAP:全称mean average precision(平均准确率)。mAP是为解决P，R，F-measure的单点值局限性的，同时考虑了检索效果的排名情况。

计算如下：

假设有两个主题，主题1有4个相关网页，主题2有5个相关网页。某系统对于主题1检索出4个相关网页，其rank分别为1, 2, 4, 7；对于主题2检索出3个相关网页，其rank分别为1,3,5。对于主题1，平均准确率为(1/1+2/2+3/4+4/7)/4=0.83。对于主题 2，平均准确率为(1/1+2/3+3/5+0+0)/5=0.45。则MAP=(0.83+0.45)/2=0.64。”

 

• 目标检测中的mAP是什么含义？（对于目标检测mAP,很容易得带confidence得分，去评估PR曲线）应该在固定IoU=0.5的情况下，设置不同的confidence可以绘制出PR曲线吧！

• 目标检测模型评估指标——mAP计算的讨论

• https://github.com/rafaelpadilla/Object-Detection-Metrics

• mean average precision（MAP）在计算机视觉中是如何计算和应用的？

• 几个易混淆的概念（准确率-召回率，击中率-虚警率，PR曲线和mAP，ROC曲线和AUC）

图像语义分割技术度量标准

• https://blog.csdn.net/u014593748/article/details/71698246
• mIoU是在混淆矩阵下，计算所有像素的分类预测情况，计算TP/TP+FN+FP这也是一种交并比！！！

• MIoU计算的是计算A与B的交集（橙色部分）与A与B的并集（红色+橙色+黄色）之间的比例，在理想状态下A与B重合，两者比例为1 。