faster rcnn学习（三）

今天学习用来判断faster rcnn中对于评估多个类别检测的效果，部分内容参考http://blog.sina.com.cn/s/blog_9db078090102whzw.html。

mAP(mean average precision)多类平均精度，首先计算出每个类的AP，然后取所有类的AP的平均。解释这个，先了解混淆矩阵的4个概念。

---

 

TP：预测为真的正样例

TN：预测为真的负样例

FP：预测为假的正样例

FN：预测为假的负样例

---

 

记住这个很简单，以TP为例，先记住P代表预测的结果是positive sample,正样例，T代表预测的结果与GT，真实的结果一致，说明真实的结果也是正样例。

先给出推理流程：

(1)TP,TN,FP,FN-----PR(P:Precision,R:Recall)-----AP-----mAP

(2)TP,TN,FP,FN-----TPR,FPR-----ROC-----AUC

先记录(1)的推理过程。

Precision精度表示预测为正的样本中真正为正的样本所占的比例。

Precision=TP/(TP+FP)

Recall召回率表示实际为真的所有样例预测出为真的样例所占的比例。

Recall=TP/(TP+FN)

---

接下里的AP和mAP的计算方式我是从这个博客看到的，是我见过讲的最好的博客。附上地址http://blog.sina.com.cn/s/blog_9db078090102whzw.html。