当前位置:网站首页>mAPH——Waymo数据集
mAPH——Waymo数据集
2022-08-11 05:23:00 【zhSunw】
mAPH
相信阅读过在Waymo数据集上测试论文的同学都会发现mAPH这个指标,但是我在查阅了全网的资料居然都没相关的解释(除了需要翻墙才能进的Waymo官网下的What’s Next)。
所以为了帮助下一个想了解却苦苦无法找到相关解释的人,这里给出官方的介绍截图和我的理解(其实不难)
首先给出官网截图,如果基础较好的同学自行阅读就好:
首先我们回顾一下 m A P mAP mAP:计算出 P r e c i s i o n Precision Precision与 R e c a l l Recall Recall两个参数之后,以 P r e c i s i o n Precision Precision和 R e c a l l Recall Recall分别为纵轴和横轴,就可以画出 P r e c i s i o n − R e c a l l ( P − R ) Precision-Recall(P-R) Precision−Recall(P−R)曲线,如图:
P − R P-R P−R曲线所围成的面积就叫做为 A v e r a g e P r e c i s i o n ( A P ) Average Precision(AP) AveragePrecision(AP)。
其中:
P r e c i s i o n = T P / ( T P + F P ) Precision=TP/(TP+FP) Precision=TP/(TP+FP)
R e c a l l = T P / ( T P + F N ) Recall=TP/(TP+FN) Recall=TP/(TP+FN)
至于 T P 、 T N 、 F P 、 F N TP、TN、FP、FN TP、TN、FP、FN四个参数的数量之和为样本总量,他们代表的分类结果如下表:
最后我们回看官网解释,不难知道,它的计算方法与mAP不同的地方在于绘制的P-R图是由预测的heading准确率加权的,即TP参数会被预测的heading加权。记预测的heading与真实的heading角度差为A(A值域为 [ 0 , Π ] [0,Π] [0,Π]),对每一个真正例的TP计算方法如下:
T P = 1 − A / Π TP = 1 - A/Π TP=1−A/Π
( m A P mAP mAP中的每个目标的 T P TP TP为1,即混淆矩阵中TP的个数和这里变成了每一个目标加权之后的TP之和)
其他指标都不变,以此来绘制 P − R P-R P−R图并计算mAP就是 m A P H mAPH mAPH了。
边栏推荐
猜你喜欢
随机推荐
DNS外带注入SQLMAP
数据库基础-入门看这篇
电脑推荐软件
Reconstruction and Synthesis of Lidar Point Clouds of Spray
实例分析MySQL四种隔离级别的区别
华为手机软键盘挡住Toast
静态综合复习实验
函数:万能的百宝箱
windows下的redis安装及密码修改
JS继承的几种方式及优缺点
数据库的基本语法(其一)
DOM破坏
《现代密码学》学习笔记——第三章 分组密码 [三]分组密码的运行模式
2021-05-10
BoredApeYachtClub 无聊猿-NFT 源码解析第一节
使用TD-workbench管理tDengine数据库数据
云计算学习笔记——第五章 网络虚拟化
BGP联邦实验
架构设计杂谈
秦始皇到底叫嬴政还是赵政?