图像检索，目标检测map的实现

一、图像检索指标Rank1,map

参考：https://blog.csdn.net/weixin_41427758/article/details/81188164?spm=1001.2014.3001.5506

1.Rank1:

rank-k：算法返回的排序列表中，前k位为存在检索目标则称为rank-k命中。

常用的为rank1：首位为检索目标则rank-1命中。

2.map

mAP(mean average precision)：反应检索的人在数据库中所有正确的图片排在排序列表前面的程度，能更加全面的衡量ReID算法的性能。如下图，该检索行人在gallery中有4张图片，在检索的list中位置分别为1、2、5、7，则ap为(1 / 1 + 2 / 2 + 3 / 5 + 4 / 7) / 4 =0.793；ap较大时，该行人的检索结果都相对靠前，对所有query的ap取平均值得到mAP

 

二、目标检测map

参考：目标检测mAP计算以及coco评价标准_哔哩哔哩_bilibili

目标检测中map的计算_map计算公式_RooKiChen的博客-CSDN博客 

预测框先经过nms处理，然后计算TP,FP,FN。常见的map0.5，其中0.5是iou的阈值，与置信度无关。预测框与真实框的iou大于阈值为TP，小于阈值为FP。

• TP: IoU>thread的检测框数量（同一Ground Truth只计算一次）
• FP: IoU<=thread的检测框，或者是检测到同一个GT的多余检测框的数量
• FN: 没有检测到的GT的数量

对于要预测的样本，比如说有7个真实框需要预测，预测框 预测框与真实框的iou大于阈值记为True，小于阈值记为Fasle，将他们按照类别置信度排序，如下图，然后选不同大小的类别置信度作为分界线

1.类别置信度选0.98，如图，此时TP = 1，FP=0，FN=7-1=6

2.类别置信度选0.89，此时TP=2,FP=0,FN=7-2=5

........

分别得到若干个precision，recall，绘制PR曲线

 

 对于同一Recall，不同的Precision，选最大的Precision，如下图