与图像分类的评价指标有所不同,图像分类是在所有的图像中分类正确和错误的概率。而目标检测显然不能这样来,那怎样才算检测正确?
1.loU大于指定阈值?
2.类别正确?
3.confidence大于指定阈值?
其实这三点在COCO评价指标当中都会运用到。
TP: IoU>0.5的检测框数量(同一Ground Truth只计算一次)
FP: IoU
AR(average recall): 即平均召回率,是 IoU在[0.5,1.0] 上所有recall的平均,对于不同的iou取 最大召回率再求平均值。
mAP: mean Average Precision, 即各类别AP的平均值
上图就是对应一张图像输入网络后经过NMS后输出目标框的precision和recall的计算,
GT ID代表图像中目标框对应GT box的ID,为1就说明该目标框对应1号GTbox。
confidence是目标框的置信度,按照降序排列
OB(IOU=0.5)表示当目标框与GTbox的IOU大于0.5时就为Ture,小于0.5就为False。
rank表示规定的confidence的范围序列,rank=1就表示规定confidence大于0.98时求precision和recall。
TP为在rank的条件下,OB=Ture的个数
FP为在rank的条件下,OB=False的个数
FN为不在rank条件下的个数加上OB=False的个数
上图最后算出的结果就为PR曲线的面积,也就是AP
上图中
AP为IOU从0.5开始,每次增加0.05直到0.95,一共有十个IOU值,求出每一个IOU的AP,然后求平均得到。
AP(IOU=0.5)为IOU=0.5时的AP。AP(IOU=0.75)同理。
APsmall为当GTbox的面积小于32^2时的AP,APmedium和APlarge同理。
AR(max=100)表示NMS后目标框数量最大为100时的AR,其他同理。
AR(small)表示当GTbox的面积小于32^2时的AR。
Original: https://blog.csdn.net/Orange_sparkle/article/details/125898216
Author: Orange_sparkle
Title: 目标检测算法中,COCO评价指标的解析
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/680427/
转载文章受原作者版权保护。转载请注明原作者出处!