基本概念
P-R曲线
- P为图中precision，即精准度
- R为图中recall，即召回率。
Example
首先用训练好的模型得到所有测试样本的confidence score，每一类（如car）的confidence score保存到一个文件中，如comp1_cls_test_car.txt。假设共有20个测试样本，每个id，confidence score和ground truth label如下：
ground truth label通过预测的bbox与ground truth的iou确定为正样本或负样本
接下来对confidence score排序，得到：
P-R曲线
我们得到top-5的结果，前score最高的5个样本，预测为label为1
此例中采用top-5评估，也可采用其他评估，如AP50，即当预测性与真实性的IoU值大于这个阈值时，该预测框才被认定为真阳性（True Positive，TP），反之就是假阳性（False Positive FP）
在上图中
True Positive：2，4 图片
False Positive：13，19，6图片
接下来
confidence、score排在top-5之外的元素为false negatives和true negatives
其中
False Negatives：9，16，7，20
True Negatives：1，18，5，15，10，17，12，14，8，11，3
在看一遍这个图片
precision=TP/(TP+FP)(真阳)/(真阳+假阳)- 2/5=40%
recall=TP/P(真阳/label中car数量)
