符号mAP @ [。5：.95]是什么意思？

17

为了进行检测，确定一个对象提议是否正确的一种常见方法是“ 联合路口”（IoU，IU）。这将采用建议的目标像素的集合和真实目标像素的集合并计算： $A$ $B$

I o U (A, B) = \frac{A \cap B}{A \cup B}

$IoU(A, B) = \frac{A \cap B}{A \cup B}$

通常，IoU> 0.5表示这是命中，否则是失败。对于每个类别，可以计算出

真实肯定（）：针对类提出了一个建议，实际上有一个类对象 $TP(c)$ $c$ $c$
误报（）：针对类提出了一个建议，但没有类的对象 $FP(c)$ $c$ $c$
平均精密类： $c$ $\frac{\#TP(c)}{\#TP(c) + \#FP(c)}$

mAP（平均平均精度）= $\frac{1}{|classes|}\sum_{c \in classes} \frac{\#TP(c)}{\#TP(c) + \#FP(c)}$

如果有人想要更好的建议，则可以将IoU从0.5增加到更高的值（最理想的是增加到1.0）。一个可以与地图@ p，其中表示这个是IOU。 $p \in (0, 1)$

但是mAP@[.5:.95]（如本文所述）是什么意思？

computer-vision

— 马丁·托马
source

我怀疑该[.5:.95]部件是指IoU值的范围，但是我不知道如何将该范围评估为单个mAP。

— 尼尔·斯莱特

@NeilSlater但是你为什么想要一个上限？更高的IoU并非总是更好吗？

— 马丁·托马

以更高的IoU实现匹配会更好，但是，如果我们测量模型描述完美匹配的程度（对于任何模型），则mAP值可能会降低，并且这不被认为是有用的度量。为什么我不知道为什么它不包括在范围内，但是我不知道在这种情况下如何计算mAP-例如，它可能是基于样本的简单均值。

— 尼尔·斯莱特

1

有这个github存储库，其中对IOU，Precision，Recall，Average Precision和mAP进行了很好的解释。它还具有评估任何对象检测器的代码。它肯定会对您有帮助：https

— 拉斐尔·帕迪拉

10

mAP@[.5:.95]（表示为mAP@[.5,.95]）表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

还有一个与MS COCO相关的挑战，它具有一个新的评估指标，该指标可在0.5到0.95（写为“ 0.5：0.95”）的不同IoU阈值上平均mAP。[ 参考 ]

我们评估了IoU∈[0.5：0.05：0.95]（COCO的标准度量标准，简称为mAP @ [。5，.95]）和mAP@0.5（PASCAL VOC度量标准）的平均mAP。[ 参考 ]

为了评估我们的最终检测结果，我们使用了官方的COCO API [20]，它可以测量在[0.5：0.05：0.95]的IOU阈值上平均的mAP。[ 参考 ]

顺便说一句，在源代码的椰子节目到底是什么mAP@[.5:.95]做：

self.iouThrs = np.linspace(.5, 0.95, np.round((0.95 - .5) / .05) + 1, endpoint=True)