mmpose关键点(一):评价指标(PCK,OKS,mAP)

由于,近期项目需要引入关键点做一些方向逻辑的判断,在此记录一些实验与经典论文方法。首先,我们先了解一下关键点估计的评价指标。

1.PCK - Percentage of Correct Keypoints

PCK表示关键点正确估计的比例
计算检测的关键点与其对应的groundtruth间的归一化距离小于设定阈值的比例。在MPII 中是以头部长度(head length) 作为归一化参考。
在这里插入图片描述
d 0 d_0 d0表示检测器, σ \sigma σ表示关键点是否与gt匹配的阈值,正确估计出的关键点比例。这是比较老的人体姿态估计指标,在17年比较广泛使用,现在基本不再使用。

2.OKS - object keypoint similarity

OKS(object keypoint similarity),关键点相似度,在人体关键点评价任务中,对于网络得到的关键点好坏,并不是仅仅通过简单的欧氏距离来计算的,而是有一定的尺度加入,来计算两点之间的相似度。

O K S = ∑ i [ e x p ( − d p i 2 / 2 s p 2 σ i 2 ) δ ( v i > 0 ) ] / ∑ i [ δ ( v i > 0 ) ] OKS={\sum}_{i}{[exp(-{d}^{2}_{pi}}/2s_p^{2}\sigma^{2}_{i})\delta(v_i>0)]/{\sum}_{i}{[\delta(v_{i}>0)]} OKS=i[exp(dpi2/2sp2σi2)δ(vi>0)]/i[δ(vi>0)]
其中,p表示gt中的id, p i p^i pi表示某id的关键点。
d p i d_{pi} dpi表示当前检测的一组关键点中id为i的关键点与groundtruth里行人p的关键点中id为 的关键点的欧式距离。
v i v_i vi=1表示关键点无遮挡且已标注, v i v_i vi=2表示关键点有遮挡但已标注。
S p S_p Sp表示gt中id为p的尺度因子,其值为检测框面积的平方根。
σ i \sigma_i σi表示id为i类型的关键点归一化因子,这个因子是通过对所有的样本集中的groundtruth关键点由人工标注与真实值存在的标准差, 越大表示此类型的关键点越难标注。对coco数据集中的5000个样本统计出17类关键点的归一化因子,取值可以为:{鼻子:0.026,眼睛:0.025,耳朵:0.035,肩膀:0.079,手肘:0.072,手腕:0.062,臀部:0.107,膝盖:0.087,脚踝:0.089},因此此值可以当作常数看待,但是使用的类型仅限这个里面。

3.AP(Average Precision)平均准确率

计算出groundtruth与检测得到的关键点的相似度oks,然后人为的给定一个阈值T(在coco中T就是iou(0.5-0.95)),当oks大于T时可以认为该pred为tp(当出现多个关键点时,oks表示所有点的平均oks),通过所有图片的oks计算AP:
mmpose关键点(一):评价指标(PCK,OKS,mAP)_第1张图片
关键点AP的算法与目标检测是类似的,区别在于,目标检测是计算DT与GT的iou,而kpt是用oks相似度作为iou比较。

mAP(mean Average Precision)

mAP是常用检测指标,具体就是给AP指标中的人工阈值T设定不同的值,然后会获得多个AP指标,最后再对多个AP指标求平均,最终获得mAP。

你可能感兴趣的:(深度学习,关键点估计,pytorch,深度学习,计算机视觉,目标检测)