今天學習用來判斷faster rcnn中對於評估多個類別檢測的效果，部分內容參考http://blog.sina.com.cn/s/blog_9db078090102whzw.html。

mAP(mean average precision)多類平均精度，首先計算出每個類的AP，然後取所有類的AP的平均。解釋這個，先了解混淆矩陣的4個概念。

TP：預測為真的正樣例

TN：預測為真的負樣例

FP：預測為假的正樣例

FN：預測為假的負樣例

記住這個很簡單，以TP為例，先記住P代表預測的結果是positive sample,正樣例，T代表預測的結果與GT，真實的結果一致，說明真實的結果也是正樣例。

先給出推理流程：

(1)TP,TN,FP,FN-----PR(P:Precision,R:Recall)-----AP-----mAP

(2)TP,TN,FP,FN-----TPR,FPR-----ROC-----AUC

先記錄(1)的推理過程。

Precision精度表示預測為正的樣本中真正為正的樣本所占的比例。

Precision=TP/(TP+FP)

Recall召回率表示實際為真的所有樣例預測出為真的樣例所占的比例。

Recall=TP/(TP+FN)

接下裏的AP和mAP的計算方式我是從這個博客看到的，是我見過講的最好的博客。附上地址http://blog.sina.com.cn/s/blog_9db078090102whzw.html。

faster rcnn學習（三）