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。
d 0 d_0 d 0 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)]}O K S =∑i [e x p (−d p i 2 /2 s p 2 σi 2 )δ(v i >0 )]/∑i [δ(v i >0 )]
其中，p表示gt中的id，p i p^i p i表示某id的关键点。
d p i d_{pi}d p i 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 v i =1表示关键点无遮挡且已标注，v i v_i v i =2表示关键点有遮挡但已标注。
S p S_p S p 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:
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。
Original: https://blog.csdn.net/litt1e/article/details/126259175
Author: 小小小绿叶
Title: mmpose关键点（一）：评价指标（PCK,OKS,mAP）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/680634/
转载文章受原作者版权保护。转载请注明原作者出处！