Press "Enter" to skip to content

目标检测性能评价——关于mAP计算的思考

1. 基本要求

 

从直观理解,一个目标检测网络性能好,主要有以下表现:

把画面中的目标都检测到—— 漏检少
背景不被检测为目标—— 误检少
目标类别符合实际—— 分类准
目标框与物体的边缘贴合度高—— 定位准
满足运行效率的要求—— 算得快

下图是从 Tensorflow Object Detection API 的 Model Zoo 中截取的部分模型列表。

 

 

算得快这一点通过 Speed 来体现。而其他因素,使用了 mAP (mean average Precision) 这一个指标来综合体现。

 

mean 和 average 都有平均的意思,因此从字面理解,mAP 指标至少从两个方面进行了平均。

 

2. mAP指标计算

 

mAP的计算大致可以分解为以下几步:

 

 

阶段输出关键变量
针对单个目标TP、FP、FNIOU(交并比)
针对单个类别PR-Cureve、APConfidence(置信度)
针对测试集全集mAP

 

2.1 输出检测结果

 

针对不同类型的目标检测网络,模型推理的原始输出可能的形式多种多样。

 

首先需要完成目标解码,生成标准化的目标列表,至少包含每个目标的:

类别
2DBBox
置信度

这里的置信度与推理使用时的置信度阈值有差别,没有固定的阈值,只要在该通道有响应,都输出为目标。

 

不同类型的网络,置信度数值的含义也不同,因此也无法设定一个统一的阈值。

 

2.2 针对单个目标

 

针对单个目标,问题简化为 分类 结果的判定。

 

首先将 GT (Ground Truth) 和 Predictions 分别按照各自的类别分组。

 

在每一个类别内,对 GT 和 Predictions 两组数据进行匹配,匹配的依据是 IOU 。

 

匹配结果可能有如下几种:

 

TP(True Positive):一个正确的检测, IOU ≥ threshold 。即预测的目标分类正确,且边框与 GT 重合度够高。

 

FP(False Positive):一个错误的检测,没有匹配上 GT 的目标,或 IOU < threshold 。即预测的目标分类不正确,或边框与 GT 重合度不够高。

 

FN(False Negative):漏检的 GT。即没有被匹配上目标的 Ground Truth。

 

2.3 针对单个类别

 

完成对整个测试集上每个目标的判断后,分类别统计 Precision 和 Recall :

 

Precision:准确率(查准率),模型 只找 正确目标的能力。

Precision = TP / (TP + FP) ,其中 TP+FP 即模型找到的所有目标。

 

Recall:召回率(查全率),模型 找到所有 目标的能力。

Recall = TP / (TP + FN) ,其中 TP+FN 即所有的 GT 。

 

在单个目标的处理步骤中,只需要记录TP。则对于所有检测目标,非TP即为FP,对于所有 GT,非TP即为FN。

 

当设定不同的 Confidence 阈值时,输出的检测目标数量不同,由此计算得到的 Precision 和 Recall 也不同。

 

根据不同的阈值,可以得到一系列 Precision 和 Recall 的值,连起来即可得到PR曲线。

 

在实际操作中,将所有目标按照置信度从高到低排序,每一步都只累加一个目标,统计当前的P-R值。

 

 

PR曲线示例如上图所示。

 

PR曲线会有折线的原因。每累加一步,如果:

 

当前累加的目标是FP,则 Recall 值不变, Precision 值变小,对应图中竖直向下的线段;

 

当前累加的目标是TP,则 Recall 和 Precision 都变大,对应图中斜向右上方的线段。

 

2.4 针对全集

 

至此,针对每一个类别,都计算得到一条PR曲线。

 

PR曲线与x轴所围成的面积,即为当前类别的AP值。

 

Average 是指对不同 Confidence 阈值下的结果进行平均。

 

所有类别AP值的均值,即为 mAP。

 

mean 是指对不同类别之间结果进行平均。

 

3. 存在问题及改进思路

 

3.1 问题

 

(1)误检/漏检少、分类准、定位准,这些要求并没有在 mAP 的整个计算过程中一直传导到最终结果。

 

首先按照目标类别进行分类处理。

 

在对单个目标的处理中,将IOU作为匹配的指标,将检测到的目标二分类为TP/FP。在选定IOU阈值后,TP/FP的分配也就确定了。在后续的步骤中,目标被抽象为正确/错误两类,但正确或错误的程度被忽略了。

 

下图为 IOU=0.5 时的极限情况示意:

 

 

类似的IOU值实际可能代表的不同情况:

 

 

在对所有目标的处理中,主要考察不同的 Confidence 阈值下,检测出正确目标的能力。

 

因此,误检/漏检少、分类准、定位准这几个要求是按照一种串行的方式,分阶段组织起来的。

 

(2)问题是多样化的,只用一个指标,没法知道目前的性能瓶颈在哪里。

 

根据 mAP 的高低,我们只能较为概括地知道网络整体性能的好坏,但比较难分析问题具体在哪。

 

举几个例子:

 

如果网络输出的框很贴合,选择合适的 Confidence 阈值时,检出和召回也较均衡,但是目标的类别判断错误较多。由于首先根据类别结果分类处理,只要类别错了,定位、检出和召回都很好,mAP 指标也不会高。但从结果观察,并不能很明确知道,问题出在类别判断上。

比如 Faster-RCNN 系列网络,如果 RPN 部分效果很好,但是 RCNN 部分效果很差,只根据 mAP, 是无法判断出来的。

 

如果两个网络的其他性能表现都类似,但是输出框的定位精度不同。对于大部分判定为 TP 的目标,一个网络的目标 IOU 值很高,框非常贴合 GT;另一个网络的目标 IOU 值刚刚超过阈值。理论上这样两个网络计算出来的 mAP 值是类似的,但实际使用的表现是有差别的。

 

(3)mAP 指标关注的点,与实际应用时关注的点,并不完全吻合

 

mAP 会统计所有 Confidence 值下的 PR值,而实际使用时,会设定一个 Confidence 阈值,低于该阈值的目标会被丢弃,这部分目标在统计 mAP 时也会有一定的贡献。部分针对比赛刷榜的涨点技巧,会关注这部分检测结果对 mAP 的影响。

 

此外,在 ADAS 应用(特别是车辆检测)中一些比较关心的点,mAP 指标并没有很好地体现。比如:

最关心正前方近处的目标,对远处侧面的目标关注度相对低
关注目标框的下沿和宽度,而对上沿的要求不高
关注连续帧中,同一个目标检测结果的稳定性和连续性
不同的类别错判,严重程度不同(比如卡车误判为客车问题不大,行人误判为车辆问题就比较大)

3.2 改进

 

(1)考察不同 IOU 阈值下的性能表现

 

在 VOC 标准的 mAP 计算中,只取 IOU=0.5 一个阈值。

 

MS-COCO 标准对此进行了改进,取 0.5:0.05:0.95 等间隔的11个阈值,分别统计:

AP :在所有11个 IOU 阈值上计算出来的 mAP 的均值(最主要的度量指标)
[email protected] :阈值取0.5时的 mAP 值(等价于 VOC mAP)
[email protected] :阈值取0.75时的 mAP 值

此外还针对目标大小分别进行了统计:

AP(small) :像素面积小于322的目标,在所有11个 IOU 阈值上的AP
AP(medium) :像素面积介于322和962之间的目标,在所有11个 IOU 阈值上的AP
AP(medium) :像素面积大于962的目标,在所有11个 IOU 阈值上的AP

此外,还有 AR (Average Recall) 相关的一系列指标。

 

可见, COCO mAP 对检测性能进行了更全面的评估,改进了单一 IOU 阈值的问题。

 

COCO mAP 的计算可以直接使用 pycocotools ,将检测结果按照规定的格式提供,即可自动完成计算。

 

(2)统一训练和评测的指标

 

在网络训练过程中,location 分支的输出通常会用 IOU Loss 去进行优化,目前已经升级到 DIOUCIOU

 

那幺在测试过程中,也可以将 IOU 指标替换为类似 DIOU 或 CIOU 的版本,实现更合理的评价,以及训练和评测的统一。

 

(3)设计更多自定义的指标

 

mAP是一个基准指标,属于规定动作,可以用来比较不同网络,包括与开源模型、外部团队开发的模型等进行比较。

 

此外,基于我们关心的模型性能表现,可以设计一些额外的指标。包括:

mAP 计算过程中,可拆分出来的的一些中间指标
mAP 没有涵盖到的指标

(4)模型使用时的阈值选择

 

使用模型进行推理时,在目标解码过程中涉及 Confidence 阈值的选取。通常是采用一刀切的方式,选择一个统一的阈值。

 

在 mAP 的计算过程中,会输出每个类别的PR曲线。一个典型PR曲线的示意如下:

 

 

根据PR曲线,既可以找到一个数学意义上的最优点,也可以根据实际使用时,对于误检和漏检的不同容忍程度,选定一个权衡值。

 

可以根据每个类别的不同情况,选取不同的 Confidence 阈值,来让每一个类别的检测结果达到最优。

 

在实际操作中,可先根据 class 通道的结果,判定类别,再根据 conf 通道的结果和不同的阈值,筛选检出的目标。

 

对于类别性质差异较大,类别不均衡现象较为严重的案例,可以实现更理想的输出。

 

比如,在ADAS应用中,对于车辆目标、行人目标、交通标识目标的识别要求可能存在差异。根据各自的PR曲线去定制阈值,是一个更合理的选择。

 

参考:

 

https://zhuanlan.zhihu.com/p/94597205
https://www.jianshu.com/p/d7a06a720a2b
https://www.cnblogs.com/laozhanghahaha/p/12383363.html

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注