多标签图片分类指标mAP

　　多标签图片分类指标mAP：mean AVERAGE PRECISION。这个概念解释前先说一下AP:average precision。

　　每一个测试图片都会针对每一个类别输出一个概率值。假设我们测试了20张图片，我们将这20张图片中针对某一类（例如car）的prob值取出保存在一个文件中（xxx_test.txt），形成如下形式：（gt-label：ground truth label表示实际标签值）

排序后得到：

　　然后，我们取top-N的结果作为识别该图片为该类（例如car）的结果，我们取top-5为例：

　　此时，true   positives就是4、2，false positives是13、19、6，false negative是9、16、7、20，true negative是1,18,5,15,10,17,12,14,8,11,3。相应precision=2/5，recall=2/6。

　　实际中，我们通常不能使用top-5来衡量，而是需要知道top-1到top-N的（N为所有测试样本个数，此处为20）相应precision和recall值。最新的AP的计算方法是：假设这N个样本中有M个正例，那么我们会得到M个recall值（1/M, 2/M, ..., M/M）,对于每个recall值r，我们可以计算出对应（r' > r）的最大precision，然后对这M个precision值取平均即得到最后的AP值。

　　显然随着我们选定的样本越来也多，recall一定会越来越高，而precision会呈单调递减趋势。把recall当成横坐标，precision当成纵坐标，即可得到常用的precision-recall曲线。

AP衡量的是学出来的模型在每个类别上的好坏，mAP衡量的是学出的模型在所有类别上的好坏，得到AP后mAP的计算就变得很简单了，就是取所有AP的平均值。

　　参考连接：http://blog.sina.com.cn/s/blog_9db078090102whzw.html

往期内容：

ML笔记 | 零基础学懂机器学习（一）

ML笔记 | 零基础学懂机器学习（二）

ML笔记 | 零基础学懂机器学习（三）

ML笔记 | 零基础学懂机器学习（四）

ML笔记 | 零基础学懂机器学习（五）

ML笔记 | 零基础学懂机器学习（六）

卷积神经网络中不同类型的卷积方式

ShuffleNet: 移动设备上极为高效的卷积神经网络

---

---

课程咨询｜微信：julyedukefu

七月热线：010-82712840