目标检测：tp与fp理解_check if detected bboxes are true positive or fals

介绍

在目标检测中，通常采用mAP指标来表达检测模型的性能表现，而mAP指标的计算具体包含几个步骤，其中重要的一步就是TP（真正，即命中）与TP（假正）的计算，具体根据mmdetection中的评估代码mean_ap.py进行分析。

def tpfp_func(det_bboxes,gt_bboxes,iou_thr=0.5):
    """Check if detected bboxes are true positive or false positive.
    Args:
        det_bbox (ndarray): Detected bboxes of this image, of shape (m, 5).
        gt_bboxes (ndarray): GT bboxes of this image, of shape (n, 4).
    
        iou_thr (float): IoU threshold to be considered as matched.
            Default: 0.5.
    Returns:
        tuple[np.ndarray]: (tp, fp) whose elements are 0 and 1. The shape of
 each array is (num_scales, m).
    """
    num_dets = det_bboxes.shape[0]
    num_gts = gt_bboxes.shape[0]
 
    tp = np.zeros((num_dets), dtype=np.float32)
    fp = np.zeros((num_dets), dtype=np.float32)
 
    # if there is no gt bboxes in this image, then all det bboxes are false positives
    if gt_bboxes.shape[0] == 0:
        fp[...] = 1
        return tp, fp
 
    ious = bbox_overlaps(det_bboxes, gt_bboxes)
    # for each det, the max iou with all gts
    ious_max = ious.max(axis=1)
    # for each det, which gt overlaps most with it
    ious_argmax = ious.argmax(axis=1)
    # sort all dets in descending order by scores
    sort_inds = np.argsort(-det_bboxes[:, -1])
 
    gt_covered = np.zeros(num_gts, dtype=bool)
    for i in sort_inds:
        if ious_max[i] >= iou_thr:
            matched_gt = ious_argmax[i]
            if not gt_covered[matched_gt]:
                gt_covered[matched_gt] = True
                tp[i] = 1
            else:
                fp[i] = 1
        else:
            fp[i] = 1
    return tp, fp
'
运行
运行

上述代码为简化版本，去除了面积约束条件以不予考虑的真实框条件（gt_bboxes_ignore），基础约束条件是预测框与标注框具有相同的类别，具体步骤分析如下：

（1）输入：单张图像单个类别的预测框与标注框

（2）初始化tp,fp为0，分别用于预测框真假情况统计

（3）计算预测框与标注框的最大匹配iou值以及对应的标注框索引

（4）按照预测分数排序预测框，方便优先使用置信度更高的预测框

（5）初始化每个真实标注框匹配情况统计量

（6）按照预测分数从高到底，逐一验证其应当归属于tp与fp中的哪个

（7）阈值约束，若不满足阈值要求，则将此种低质量预测归属为fp，若满足阈值要求，且是真实标注框的初次最佳匹配，则为tp，否则表明预测框为具有较低分数的重复预测框，归于fp。

思考分析：

基于tp与fp，我们只能计算出检测模型的准确率（tp/(tp+fp)），还无法获知召回率，通过结合真实标注框的数量gt_nums，我们可以计算出召回率(tp/gt_nums)。

从召回情况，我们可以分析出此该图像某一类别的漏检情况（与标注框的iou极低，甚至为0）。