如何计算 Pascal VOC 排行榜检测任务的 mAP（平均平均精度）？
那里说-在第11页：
平均精度 (AP)。对于 VOC2007 挑战，使用插值平均精度（Salton 和 Mcgill 1986）来评估分类和检测。对于给定的任务和类，精度/召回曲线是根据方法的排序输出计算的。召回率定义为排名高于给定排名的所有正例的比例。精度是所有高于该等级的示例中来自正类的比例。AP 总结了精度/召回曲线的形状，并定义为一组 11 个等间距召回级别 [0,0.1,...,1] 的平均精度：
AP = 1/11 ∑ r∈{0,0.1,...,1} pinterp(r)每个召回级别 r 的精度是通过对相应召回率超过 r: 的方法测量的最大精度进行插值的
pinterp(r) = max p(r˜)，其中 p(r~) 是在召回率 ~r 处测量的精度
关于mAP
这是否意味着：
- 我们计算 Precision 和 Recall：
A）对于许多不同
IoU> {0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1}的我们计算真/假阳性/阴性值其中
True positive = Number_of_detection with IoU > {0, 0.1,..., 1}，如这里所说，然后我们计算：Precision = True positive / (True positive + False positive)Recall = True positive / (True positive + False negative)
B）或者对于我们计算的许多不同的检测算法阈值：
Precision = True positive / (True positive + False positive)Recall = True positive / (True positive + False negative)如这里
True positive = Number_of_detection with IoU > 0.5所说
C）或者对于我们计算的许多不同的检测算法阈值：
Precision = Intersect / Detected_boxRecall = Intersect / Object如图 所示？
- 然后我们构建 Precision-Recall 曲线，如下所示：
- 然后我们将 AP（平均精度）计算为 11 个值的平均值
Precision，Recall = {0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1}即AP = 1/11 ∑ recall∈{0,0.1,...,1} Precision(Recall)
（通常对于每个点，例如 0.3，我们得到 MAX of Precision for Recall <= 0.3，而不是此时 Recall=0.3 的 Precision 值）
- 当我们只为所有图像上的 1 个对象类计算 AP 时，我们会得到这个类的AP（平均精度），例如，仅针对
air.
所以 AP 是一个积分（曲线下面积）
但是当我们为所有图像上的所有对象类计算 AP 时，我们会得到所有图像数据集的mAP（平均精度）。
问题：
- 是否正确，如果不是，那么如何计算 Pascal VOC Challenge 的 mAP？
- 第 1 段中的 3 个公式（A、B 或 C）中的哪一个对于计算 Precision 和 Recall 是正确的？
简短的回答：
- mAP = AVG（每个对象类的 AP）
- AP = AVG（11 次召回中每一次的精确度 {precision = 0, 0.1, ..., 1}）
- PR 曲线 = 精度和召回率（对于预测边界框中的每个阈值）
- 精度 = TP / (TP + FP)
- 召回率 = TP / (TP + FN)
- TP = IoU>0.5 的检测次数
- FP = IoU<=0.5 或多次检测到的检测次数
- FN = 未检测到或检测到 IoU<=0.5 的对象数