mAPH——Waymo数据集

数据集"/>

mAPH——Waymo数据集

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。