什么是mAP指标，如何计算？

引文摘自上述Zisserman论文-4.2结果评估（第11页）：

首先，“重叠标准”定义为大于0.5的交叉重叠。（例如，如果预测的盒子相对于地面真盒子满足此标准，则视为检测）。然后使用这种“贪婪”方法在GT盒和预测盒之间进行匹配：

将一种方法输出的检测结果分配给满足重叠标准的地面真实对象，并按（递减）置信度输出进行排序。图像中对同一对象的多次检测被认为是错误检测，例如，将单个对象的5次检测计为1次正确检测和4次错误检测

因此，每个预测的框都是True或False。每个地面真理框都是“正正”的。没有真否定词。

然后，通过平均精度召回范围为[0，0.1，...，1]的精度召回曲线上的精度值（例如11个精度值的平均值）来计算平均精度。更精确地说，我们考虑稍微校正的PR曲线，其中对于每个曲线点（p，r），如果存在不同的曲线点（p'，r'），使得p'> p并且r'> = r ，我们用这些点的最大p'替换p。

对我来说，仍不清楚的是那些从未被检测到的GT盒（即使置信度为0）如何处理。这意味着存在某些召回值，精确度-召回曲线将永远无法达到，这使得上述平均精确度计算不确定。

编辑：

简短的答案：在无法召回的区域中，精度降至0。

一种解释的方法是假设当置信度的阈值接近0时，整个图像将无数个预测的边界框点亮。然后，精度立即变为0（因为只有有限数量的GT盒），并且召回率在此平坦曲线上不断增长，直到达到100％。