AP、MAP、IOU、Precision、Recall 、FPR、TPR、 FAR、EER、ROC 、AUC等

### TP、FP、FN、IOU、Precision 和 Recall 的定义及计算 #### True Positive (TP) True Positive 表示被正确识别为正类别的实例数量。当模型预测某个样本属于某一类别，并且该预测是正确的，则这个预测记作 true positive。 #### False Positive (FP) False Positive 指的是错误地将负类别标记为正类别的次数。如果模型预测某一样本属于特定类别但实际上不属于此类别，那么这会被视为 false positive。 #### False Negative (FN) False Negative 发生在实际应归属于正类别的样本未被正确分类的情况下。即模型未能成功检测到真正的正样例时发生的情况。 #### Intersection over Union (IoU) Intersection Over Union 是一种用于测量两个边界框重叠程度的标准度量单位。其公式如下： \[ \text{IoU} = \frac{\text{Area of overlap}}{\text{Area of union}} \] 其中，“overlap area”是指两个矩形区域相交部分的面积；而“union area”则是指这两个矩形总面积之和减去它们之间共同覆盖的部分[^2]。 ```python def iou(box_a, box_b): # Calculate intersection coordinates inter_x1 = max(box_a[0], box_b[0]) inter_y1 = max(box_a[1], box_b[1]) inter_x2 = min(box_a[2], box_b[2]) inter_y2 = min(box_a[3], box_b[3]) # Compute the width and height of the intersection rectangle inter_w = max(0, inter_x2 - inter_x1 + 1) inter_h = max(0, inter_y2 - inter_y1 + 1) inter_area = inter_w * inter_h # Separately calculate each bounding box's area a_area = (box_a[2] - box_a[0] + 1) * (box_a[3] - box_a[1] + 1) b_area = (box_b[2] - box_b[0] + 1) * (box_b[3] - box_b[1] + 1) # Return IoU value return float(inter_area) / (a_area + b_area - inter_area) ``` #### Precision（精确率） Precision 描述了所有预测为正类的结果中有多少确实是正类的比例。它反映了模型做出肯定判断时的信心水平。计算公式为: \[ \text{Precision}=\frac{\mathrm {TP}} {\mathrm {TP}+\mathrm {FP}} \] #### Recall（召回率） Recall 则关注于所有真实存在的正类中有多大比例被准确找出。这是衡量算法能否有效发现目标对象的重要标准之一。计算方式如下所示： \[ \text{Recall}= \frac{\mathrm {TP}} {\mathrm {TP}+\mathrm {FN}} \] 上述各项指标构成了评估机器学习尤其是深度学习领域内物体检测任务效果的基础工具集[^1]。