深度学习中图像检测的评价标准

 

图像检测的三个目的 & 对应的评价标准

1. 分类	precision(top1/top5)
2. 定位 + 分类	IoU (交并比)
3. 物体检测	mAP(mean average precision)

 

Precision

top1

预测结果和最后概率向量中的概率最大的选项一致，预测正确；否则，预测错误。

 

top5

预测结果出现在最后概率向量概率前五大的选项中，预测正确；否则，预测错误。

 

 

IoU

交并比（Intersection-over-Union，IoU），用于衡量定位准确度，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。

最理想情况是完全重叠，即比值为1。一般≥0.5可认为定位成功。

 

图1 示例图

计算公式如下所示：

mAP

mean average precision 平均精度均值，在CV中用来衡量模型在测试集上检测精度的优劣程度；综合考虑检测结果的召回率和准确率，mAP值越高表示检测结果越好。

计算原理

召回率(recall) : 选取的N个样本里选对的x个正样本占总的M个正样本的比例 x/M；

准确率(precision) : 选取的N个样本里选对x个正样本比例 x/N；

选择的样本数N越多，召回率越高，准确率越低。