mAP

一

首先介绍精确度（precision）和召回率（recall）的概念:

precision等于预测为正样本的个数除以预测的总数;
recalld等于预测为正样本的个数除以所有正样本数。

上图是一个mAP的例子：
该例子中有两个类，第一个类中有5个正样本；第二个类中有3个正样本。深度神经网络会对所有样本（包括正样本和负样本）针对每一个类预测一个score，将样本根据score由大到小排序，如上例中那样，依次计算出所有的recall和precision。然后将正样本的precision进行平均即可得出该网络针对该类的预测准确度。最后将所有类（该例子中只有两类）的mAP进行平均，即可得到该模型的一个平均预测准确度。

二

在深度学习中的实现方法：

1. 采用适当的方法随机生成建议框。
2. 根据建议框与ground truth的iou大小，设定一个阈值，大于阈值的为正样本，小于的为负样本。
3. 将建议框输入神经网络，神经网络会对所有的建议框进行打分（score）。
4. 将建议框根据score由大到小进行排列。
5. 如上例中一样计算出对应的精确度和召回率。
6. 以recall为X轴，precision为Y轴建立坐标系。recall由零变一，precision跟着变化。
7. 变化曲线下面的面积即为mAP

原理和以上一样。