如何处理平均平均精度边缘情况

Question

我正在为计算机视觉模型实现平均平均精度（mAP）度量标准，该模型输出多个类别的边界框，我需要帮助了解如何处理某些边缘情况。

由于我的问题的性质，它是计算机视觉问题这一事实可以忽略。

我很清楚mAP = true_positives / (true_positives + false_positives)，但是true_positives == false_positives == 0会发生什么呢？ IE浏览器如果输出根本无法预测任何内容。

我当前的假设是，如果存在算法无法预测的注释，则mAP应该为0，否则，如果没有注释，则mAP应该为1，但似乎有点反作用-直观地进入Recall领域。

示例1：

Truth: 0, 1, 0, 0, 1, 1
Pred.: 0, 0, 0, 0, 0, 0
mAP = 0 / (0 + 0) # ?

示例2：

Truth: 0, 0, 0, 0, 0, 0
Pred.: 0, 0, 0, 0, 0, 0
mAP = 0 / (0 + 0) # ?

由于该模型在两种情况下均未进行任何true_positive和false_positive调用，因此两个示例的mAP应该是什么？

Answer 1

发件人：https://github.com/dice-group/gerbil/wiki/Precision,-Recall-and-F1-measure

  

在极少数情况下，计算Precision或Recall可能会导致   除以0。关于精度，如果存在   在注释器的答案内没有结果，因此，真   以及误报为0。对于这些特殊情况，我们有   定义如果真阳性，假阳性和假阳性   负数均为0，精度，召回率和F1量度均为1。   黄金标准包含文件的情况下可能会发生   没有任何注释，注释器（正确）返回否   注释。如果真实肯定值为0，并且是其他两个计数器之一   大于0，则精度，查全率和F1度量为0。