目标检测中一些性能指标的含义

1. TP、FP、TN、FN的含义

对于一个二分类的预测来说，情况可以描述如下：

真实情况	预测结果
	预测为正	预测为反
正例	TP(对正例)	FN(错反例)
反例	FP(错正例)	TN(对反例)

TP(True Positives)：预测它是正样本，预测对了；
TN(True Negatives)：预测它是负样本，预测对了；

FP(False Positives)：预测它是正样本，预测错了；
FN(False Negatives)：预测它是负样本，预测错了。

2. Precision（精度，查准率）和Recall（召回率，查全率）的概念

$Precision=\frac {TP}{TP+FP}$ 理解为：在分类器预测的所有正例中，预测正确的占多少比例（找得准）；

$Recall=\frac {TP}{TP+FN}$ 理解为：一共有这么多正例，分类器找出了其中的百分之多少（找得到）；

由于所有情况组成的全集是$TP+FN+FP+TN$，$Precision$和$Recall$这两个值很难同时都很高。

补充一下P-R曲线——
按照每个样本的置信度从高到低排序，排在前面的是学习器认为“最有可能”是正例的样本，反之是“最不可能”的，二分类的阈值作用就是给这个排列一个截断点，前一部分判作正例，后一部分判作反例，当我们依次把每一个样本的置信度作为阈值时，可以得到与样本总数相同的那么多组P-R值，此时以P为纵轴，R为横轴，画出这些点的连线就是P-R曲线，平衡点(Break-Even Point)是当P-R曲线上P=R时刻的点，用来综合考察精度和召回率来评价学习器性能。

3.ROC与AUC

ROC(Receiver Operating Characteristic)曲线——

纵轴：$TPR=\frac{TP}{TP+FN}$，预测对的正例在所有正例里占比；

横轴：$FPR=\frac{FP}{TN+FP}$，没预测出的反例在所有反例里的占比；

理想情况是希望TPR越高、FPR越低越好，因此$(0,1)$点是理想模型在ROC上的取值，过原点对角线上的点就表示随机猜测模型。
实际工程中，样本是有限个，分类器对每一个样本预测之后给出一个置信度，将所有样本按照置信度从高到低重新排序，当我们把阈值设为第一个（置信度最高的）样本的置信度值时，分类器把所有样本都预测成反例，则TPR和FPR都为0，在ROC坐标系上$(0,0)$点表示，然后把阈值设为第二个样本的置信度值…以此类推，这样每一个阈值都对应ROC上一个点，连线绘出ROC曲线图，AUC(Area Under ROC Curve)表示曲线包括的面积，AUC越大说明学习器性能越好。

4.举例说明目标检测中评价标准mAP的含义

https://blog.csdn.net/hsqyc/article/details/81702437#comments
这篇博客写的很通俗易懂，转来一用。

mAP源自于pascal voc 2012的评价标准。
AP (average Precision)：平均精度，在不同recall下的最高precision的均值。
mAP (mean AP)：平均精度的均值，各类别的AP的均值。



例子说的是人脸检测模型对三张图片进行预测，首先通过IOU是否大于0.5来判断预测结果类型，可以看出，预测框1是TP，框2是FP，框3是TP。
然后把每一个预测框按照置信度从高到低排序，依次设置阈值为每个预测框的置信度，计算P-R值：
i.阈值为0.9，则TP是1，TP+FP是1，因此P=1，TP+FN是3，因此，R=1/3；
ii.阈值为0.8，则TP是1，TP+FP是2，P=1/2，R=1/3；
iii.阈值为0.7，则TP是2，TP+FP是3，P=2/3，R=2/3。
根据这三组P-R值可以绘成下图：

然后每个“峰值点”往左画一条线段直到与上一个峰值点的垂直线相交。这样画出来的红色线段与坐标轴围起来的面积就是“人脸”这个分类AP值：$AP = 1*1/3 + 2/3*1/3=5/9$mAP就是把所有类别的AP值求出取平均值。

来源：CSDN

作者：ZMC搂的瓦

链接：https://blog.csdn.net/ZoomgSF/article/details/104647371