使用标签计算mAP和精确/召回检测结果

Question

使用对象检测器（ 没有对象标签的 ）时，＃TruePositive，＃FalsePositive 和＃的计算FalseNegative 很简单：

• 您可以根据GT中每个框的结果计算每个框的IoU
• 您可以根据其IoU降序对它们进行排序
• 您遍历两个对。每对具有IoU>​​ some_predefined_threshold的对都将1添加到 #TruePositive ，其对成员均标记为“匹配” ，除非其中至少一个配对成员已经匹配
• #FalsePositive 将是结果中不匹配的框的数量
• #FalseNegative 将是GT中不匹配的框的数量

当这些框还包含标签（即对象类型，例如dog，person，car等）时，问题就变得更加模糊。

我目前在这种情况下所做的是，我只是将匹配条件增强为IoU > thresh 和 pred_label == gt_label。

这直接意味着结果中的每个框都有机会增加 #TruePositive ，只要它与GT框具有足够高的IoU，并且不考虑其他可能具有IoU较高，但标签错误。 （作为比较，更严格的方法只能根据最高IoU进行匹配，就好像没有标签一样，并最终删除标签上不一致的匹配项。）

作为mAP的前一步，计算检测和识别任务的精确度和召回率是否正确？