mAP_Roi
在看一些目標檢測的論文時，經常會提到map和fps兩個評價指標，下面就來看一下這些評價指標的規則方法。
我們在評價一個目標檢測算法的「好壞」程度的時候，往往採用的是pascal voc 2012的評價標準mAP。
IOU(交併比)
衡量預測框和標籤框的重合程度。
計算mAP
這裏需要一些混淆矩陣的知識，需要了解TP,FP,TN,FN，precision,recall的概念
1.根據IOU計算TP,FP
根據IOU是否大於0.5來判斷該pre是屬於TP還是屬於FP
2.排序
根據每個pre的置信度進行從高到低排序
3.在不同置信度閾值下獲得Precision和Recall
4.繪製PR曲線並計算AP值
AP爲PR曲線下面積
5.計算mAP
AP衡量的是對一個類檢測好壞，mAP就是對多個類的檢測好壞。就是簡單粗暴的把所有類的AP值取平均就好了。比如有兩類，類A的AP值是0.5，類B的AP值是0.2，那麼mAP=（0.5+0.2）/2=0.35
FPS
1秒內識別的圖像數
ROI-Pooling
目標檢測通常分爲兩個階段：(1)輸入image輸出所有objects可能的位置，產生大量的region proposol,(2)確定每個region proposol是目標還是背景。
產生的問題：性能，處理速度
ROI pooling層能從不同大小的方框得到固定大小的相應 的feature maps，實現training和testing的顯著加速，並提高檢測accuracy。