目标检测（OD）——性能指标

网上关于目标检测的性能指标介绍还挺多的，可是真心很难找到一篇令人满意的文章。换句话说，当我看完这些文章对指标的介绍时（比如FP），我仍然不知道在一个具体问题中我应该怎么算。究其原因，有些文章的指标介绍是直接从“分类问题”指标计算生搬硬套到“检测问题”上的，或者有些是作者本身也并不太理解。这里我推荐一个github上的资源，里面的解释十分清晰合理（英文版）：Object-Detection-Metrics

1. 基本指标

• TP：正确检测（IOU>threshold）
• FP：错检虚检（IOU<threshold）；值得注意的是，若多个detections与一个ground truth 重叠且IOU>threshold，那么仅最大IOU对应detection为TP，其余均为FP~
• FN：漏检（没有被检测的ground truth）
• TN：并不应用，因为从含义上讲，TN是对负样本（一般为背景）的正确判断，也急速“corrected misdetection”；这在目标检测任务中是数不清的；也正是因此，我们并不计算TN~
• threshold：一般为50%、75%、95%等

2. 进阶指标

• Precision：精确度（查准率），“所识别目标”的正确率
  
• Recall：召回率（查全率），“识别所有目标”的能力
  

3. 终极指标

• PR 曲线：PR曲线是以Precision为纵坐标、Recall为横坐标、改变score阈值来获得不同的（recall，precision）点，从而绘制出的拟合曲线。PR曲线的使用是希望模型在Precision和Recall之间权衡；或者说，FP过大或FN过大都不是一个好模型~
  这里再多说两句，在检测任务中，我们会输出检测框的置信度（confidence score）；我们假定置信度阈值σscore=0.9，那么我们只保留score>0.9的detections，并得到一对儿（recall, precision）；当我们改变σscore，我们保留下的detections或许会变多，并得到新的（recall, precision）… …；通过不断进行此项工作，我们可以得到足够多的点，从而拟合出PR曲线 ~（另外需要注意的是，通过precision和recall的公式我们可以看出来，随着改变σscore，precision的分母是在不断变化（增大）的，而recall的分母一直恒定为ground truth）
  （下图原图在周志华老师《机器学习》中31页）
  
• AP：Average Precision，即在不同recall下，最大 precision的均值。
  • 11点插值：11点插值是在recall上等距取11个点 [0, 0.1, … , 1]，在每个
    r上，取 “maximum precision whose recall value is greater than r”
    
  • 所有点插值：类似地，我们可以使用所有点来替代“11点”；这时，我们可以用PR曲线的AUC（area under the curve）来近似代替AP。（见下图，红色虚线所谓面积即AUC）
    
    
    关于这部分内容，本文暂时介绍这么多，更多内容可以参见文章开头给出的github链接，里面有十分简单有意义的例子，以及源码、说明等~