object检测中的mAP是什么？
What is mAP in object detection?
我一直在通读这个 blog 以找到 mAP 是什么。在 AP 的子标题中，他们给出了 5 个苹果图像的示例和找出平均值 precision.As 据我所知 false positive 是 object 被本地化和分类但 IOU < 0.5 （在博客中）和假阴性是模型无法识别的时候一个 object itself.So 被错误分类的 object 不属于假阳性吗？
此外博客中的 table 究竟是什么 respresent.The 'correct?' 是针对一个特定的示例或 5 个示例 together.Could 你只是简单地告诉我发生了什么事您自己的条款还是博客所说的？
What is mAP in object detection?
mAP 只是 平均精度 这是所有 APs 的平均值对象 classes。例如，如果您有 5 个对象 classes，每个对象都有一个平均精度 (AP)，而 mAP 将是这些 AP 的总和除以 5.
false positive is when the object is localized and classified but IOU < 0.5
在对象检测中，我们可以有多个 classes 对象。背景也是 class 但它是隐含的。因此，例如，如果我们有 3 class 个对象（例如苹果、橙子、香蕉），网络会将其视为 4 class 个（苹果、橙子、香蕉、背景）。只有在结果中，程序不会在背景对象周围绘制边界框。
False Positive 表示对象检测模型将图像的一部分报告为特定 class 的对象（例如苹果）。但是，图像的那部分没有苹果。要么有另一种水果，如橙子（misclassification），要么根本没有水果（背景）。这两种情况在网络看来是相同的，我们认为这是误报。因此，网络错误地将那部分视为特定 class 的正样本。在这种情况下，IoU 可以有任何值（无关紧要）。误class化的对象也包含在误报率中，因为它们被报告为阳性（对于特定的class）但实际上它们是阴性的（它们属于另一个class或背景）。
False Negative 表示模型将图像的一部分预测为背景，而实际上它是一个对象。换句话说，网络未能检测到对象，并将其错误地报告为背景。
what does the table in the blog really represent?
博客中提到的IoU(Intersection over Union)是用来报correct的面积除以通过这些区域的并集，检测到的框与真实框（人类绘制的框作为正确框）之间的交集。
所以如果IoU大于0.5，说明网络正确预测了苹果的位置。在 table 中，correct 是针对每个苹果的，精度的计算方法是正确预测的数量除以所有预测。
我一直在通读这个 blog 以找到 mAP 是什么。在 AP 的子标题中，他们给出了 5 个苹果图像的示例和找出平均值 precision.As 据我所知 false positive 是 object 被本地化和分类但 IOU < 0.5 （在博客中）和假阴性是模型无法识别的时候一个 object itself.So 被错误分类的 object 不属于假阳性吗？
此外博客中的 table 究竟是什么 respresent.The 'correct?' 是针对一个特定的示例或 5 个示例 together.Could 你只是简单地告诉我发生了什么事您自己的条款还是博客所说的？
What is mAP in object detection?
mAP 只是 平均精度 这是所有 APs 的平均值对象 classes。例如，如果您有 5 个对象 classes，每个对象都有一个平均精度 (AP)，而 mAP 将是这些 AP 的总和除以 5.
false positive is when the object is localized and classified but IOU < 0.5
在对象检测中，我们可以有多个 classes 对象。背景也是 class 但它是隐含的。因此，例如，如果我们有 3 class 个对象（例如苹果、橙子、香蕉），网络会将其视为 4 class 个（苹果、橙子、香蕉、背景）。只有在结果中，程序不会在背景对象周围绘制边界框。
False Positive 表示对象检测模型将图像的一部分报告为特定 class 的对象（例如苹果）。但是，图像的那部分没有苹果。要么有另一种水果，如橙子（misclassification），要么根本没有水果（背景）。这两种情况在网络看来是相同的，我们认为这是误报。因此，网络错误地将那部分视为特定 class 的正样本。在这种情况下，IoU 可以有任何值（无关紧要）。误class化的对象也包含在误报率中，因为它们被报告为阳性（对于特定的class）但实际上它们是阴性的（它们属于另一个class或背景）。
False Negative 表示模型将图像的一部分预测为背景，而实际上它是一个对象。换句话说，网络未能检测到对象，并将其错误地报告为背景。
what does the table in the blog really represent?
博客中提到的IoU(Intersection over Union)是用来报correct的面积除以通过这些区域的并集，检测到的框与真实框（人类绘制的框作为正确框）之间的交集。
所以如果IoU大于0.5，说明网络正确预测了苹果的位置。在 table 中，correct 是针对每个苹果的，精度的计算方法是正确预测的数量除以所有预测。