什么是目标检测中的mAP？

Question

我一直在阅读此blog，以便找到 mAP 。在AP的子标题中，他们以5个苹果图像为例，并找出了平均精度据我所知false positive是对象被本地化和分类的时间，而IOU < 0.5（在博客中）是假否定的，是模型无法识别对象本身的原因。他们不属于错误的假话吗？

博客中的表又代表什么呢？'correct?'是一个或多个示例，class darthVader { constructor() { return new Proxy(this, { set(obj, prop, value) { console.log(`Setting ${prop} to ${value}`) obj[prop] = value return true } }) } set resistance(val) { this._resistance= val this.darkSide = false } get resistance() { return this._R2D2 } } let newHero = new darthVader() newHero.resistance = 11 console.log(newHero.darkSide)仅可以简单介绍一下您自己的情况或博客的内容？

Answer 1

  

什么是目标检测中的mAP？

mAP 只是平均精度，它是所有对象类中 AP 的平均值。例如，如果您有5个对象类别，则每个类别的平均精度（ AP ）和 mAP 将是这些 AP 的总和s除以5。

  

误报是指对象已进行本地化和分类，但IOU <0.5

在对象检测中，我们可以具有多个类别的对象。背景也是一个类，但是它是隐式的。因此，例如，如果我们有3类对象（例如苹果，橙子，香蕉），则网络会将其视为4类（苹果，橙子，香蕉，背景）。仅在结果中，该程序不会在背景对象周围绘制边框。

假阳性是指对象检测模型已将图像的一部分报告为特定类别的对象（例如苹果）。但是，图像的那部分没有苹果。还有另一个水果，例如橙色（错误分类），或者根本没有水果（背景）。从网络的角度来看，这两种情况都是相同的，我们认为这是假阳性。因此，网络错误地将该部分视为特定类别的积极样本。在这种情况下，IoU可以具有任何值（无关紧要）。错误分类的对象也包含在误报率中，因为它们被报告为阳性（对于特定类别），但是实际上它们是负面的（它们属于另一个类别或背景）。

假阴性表示模型实际上已将对象的一部分预测为背景。换句话说，网络未能检测到对象，并错误地将其报告为背景。

  

博客中的表格真正代表什么？

博客中用于报告正确的 IoU （联盟交集）是通过将检测到的框与通过这些区域的结合，得出地面真理（由人类绘制的方框作为正确的方框）。

因此，如果IoU大于0.5，则表示网络已正确预测了苹果的位置。在表中，正确适用于每个苹果，其准确度是根据正确预测的数量除以所有预测得出的。