mAP的具体计算方法

mAP用于多标签分类任务，该类任务的标签有很多个，首先

　　1. 用训练好的模型获得所有测试样本的置信度confidence score

　　2. 将训练好的置信度进行排序

　　3. 得到Top-5的结果

　　4. 计算准确率和召回率 precision & recall

在实际的多类别任务中，需要知道Top-1 ~ Top-N对应的precision和recall(N为样本数)，样本越多，recall一定越高，但precision一定会下降

　　　　　　　　　　

计算AP的方式有很多，Pascal Voc challenage的计算方法：

　　设定一组阈值[0, 0.1, 0.2, 0.3 ...,  1]，对于recall大于每一个阈值都有一个对应的最大的precision，AP即为sum(precision)/11，这一方法也叫11-point interpolated average precision。

　　2010年之后的计算方式改为：

　　　　　

　　假设在N个样本中有M个正例，则有M个recall值(1/M, 2/M, ..., 1)，对于每个recall值r，计算出对应的(r' ≥ r)的最大的precision（向下取最大的precision），对M个precision取均值即为AP值。