深度学习__2022-08-11+10_52_03

在目标检测领域，比较常用的是Pascal Voc和COCO两个数据集，不同数据集都有自己的一套评价标准。与图像分类任务中简单评判预测准确率不同，目标检测任务中不仅要准确预测出目标的类别，还需要准确的框选出目标的位置，涉及多个目标的还需要尽量找到每一个目标，这使得在目标检测任务中的评价标准较为复杂。

目标检测常见指标

  • TP(True Positive)：IoU>0.5的检测框数量（同一Ground Truth只计算一次）
  • FP(False Positive)：IoU<=0.5的检测框数量（或检测到同一GT的多余检测框数量）
  • FN(False Negative)：没有检测到GT的数量
  • 准确率-Precision：TP/(TP+FP) 在模型预测出的所有目标中，预测正确的比例
  • 召回率-Recall：TP/(TP+FN) 模型预测正确的所有目标占真实目标的比例
  • AP：P-R曲线下面积
  • P-R曲线：Precision-Recall曲线
  • mAP：各类AP平均值

COCO标准

  • Average Precision (AP):

    • AP：IoU从0.5~0.95间隔0.05的10个mAP取平均值
    • APIoU=.50：IoU=0.5时mAP
    • APIoU=.75：IoU=0.75时mAP

  • AP Across Scales:

    • APsmall：检测面积小于32^2^的小目标
    • APmedium：检测面积在32^2^~96^2^的中等目标
    • APlarge：检测面积大于96^2^的大目标

  • AverageRecall (AR):

    • ARmax=1：每张图片最多只提供1个检测框下的平均召回率
    • ARmax=10：每张图片最多只提供10个检测框的平均召回率
    • ARmax=100：每张图片最多只提供100个检测框的平均召回率

  • AR Across Scales：

    • ARsmall：小目标的平均召回率
    • ARmedium：中等目标的平均召回率
    • ARlarge：大目标的平均召回率