Map Challenge 中的Precision和Recall

Map Challenge比赛 的目标是识别出卫星图像中的建筑物. 这是一个图像分割问题. 衡量分割好坏的标准是结果的查全率(Precision)和查准率(Recall).

Precision, 查全率, 也叫准确率, 指的是预测结果中的, 正确的结果True Positive占所有预测为正确的结果的百分比(Predicted Positive = True Positive + False Positive) , 即以下公式:

Precision = True Positive / (True Positive + False Positive)

Recall, 查准率, 也叫召回率. 指的是预测结果中, 实际上正确的结果(True Positive), 占所有实际上正确结果的百分比(All Positive = True Positive + False Negative), 即以下公式:

Recall = True Positive / (True Positive + False Negative)

在Map Challenge的图像分割比赛中, 计算Precison 和Recall的方法如下:

1. 计算预测结果(proposed region)与实际结果(true region)的IoU (Intersection over Union), 选取IoU大于一定阈值的结果.
   这里预测结果, 实际结果并不是指整张图片, 而是一片区域. 如下图:

   
   Map Challenge 图像与标注示意图
   

   每一个被标注的房屋, 都是一个实际的region.

2. 选取所有IoU大于某一阈值的Annotation, 计算它们的平均Precision和Recall.

关于具体如何计算每个GroundTruth的Annotation的IoU, 以及每张图片的Precision和Recall. 可以看这篇文章 Understanding the mAP Evaluation Metric for Object Detection, 这位作者还写了代码计算Bounding Box的mean AP, 可以看作者的gist: https://gist.github.com/tarlen5/008809c3decf19313de216b9208f3734

以上的文章和代码, 比起Pycocotools的源代码要容易读得多.