目标检测中平均精度MAP理解

一副图像的人为标注框，我们称之为GT-Boxes（Ground-Truth），而我们使用算法估计的框，为predictions，称之为PBoxes，前者简写为GTs，后者简写为PBs。

如何评价检测器在某个数据集上的平均精度呢（MAP）？

我们进行如下定义：

GTs(c)代表第c类的GTs，而PBs(c)代表第c类算法检测输出的PBs。

1. 将PBs(c)按照置信度（每个输出结果算法都会由一个置信度进行评价）降序排列；
2. 对每一个PBs(c)都找一个与之IOU（交并比，Intersection-over-Union）最大的GT，如果其IoU的比值超过设定的阈值，例如0.5，且该GT还没有被检测到过（匹配过），则该检测结果被判定为正例（TP），而如果该GT已经被检测到过，说明该目标被重检了（DP），在定义中，我们将重检也定义为错误（FP）。如果最大IoU没有超过阈值，则人为检测失败，该检测结果也被判定为FP。

针对每张图片，对所有类进行同样处理，这样就搜集到了所有检测结果TP/FP标记。

当运行完整个数据集后，我们搜集到了所有图片的所有检测结果的TP/FP标记。注意在整个运行过程中，每张图片的每个类的GTs数量也回进行搜集，因此整个数据集的每个类别的GTs数量也进行了统计。最后，我们将所有的检测结果按照置信度进行降序排血，并从尾端开始进行统计。

我们首先定义两个指标：（假定GTs的数量为G）

精度（P）：同时提出的所有检测结果中，正例的比例（TP / TP+FP）

召回（R）：提出的所有检测结果中，GTs中被检测到的比率，TP / G

前者确定了误检率，后者确定了检出率。P和R通过积分法即可得出平均精度（AP）。

最后，我们统计所有类别的AP，得出整个检测器的平均检测精度（mAP）。