基于内容的图像检索（4）：评价指标mAP的python实现（搬砖）
最近看了⼀些有关于图像实例检索的论⽂，⽂中使⽤mAP作为模型的评价指标，关于图像检索中的mAP的原理请看这⾥。
计算mAP值的过程本质上是求PR曲线⾯积的过程。我们以上述引⽤中的第⼀个AP值的计算为例
其中
P的分别是[1,2/3,3/6,4/9,5/10]
R值分别是[1/5,2/5,3/5/,4/5,1]
AP的计算结果是：
宣传策划方案（1+2/3+3/6+4/9+5/10）/ 5
除以5就是乘1/5，就是R的每段间隔，离散的曲线计算⾯积的近似⽅式。如下图
相关论⽂中是不是这么计算的呢，研究了⼀下⼀篇论⽂中mAP的计算⽅式，其mAP的计算⽂件在这⾥：
自闭儿童
这⾥⾯有三个函数，compute_ap() ,compute_map(),compute_map_and_print()，compute_map_and_print()是⼀些和其他相关的计算和输出，不需要看。这⾥compute_map()是计算mAP和top n的准确率，返回值共有四个，分别是map，aps是⼀个列表，记录每⼀个检索结果的ap值，pres是总的精确度，pr也是⼀个列表，记录每⼀个检索top n的准确度。这⾥主要关注的是compute_ap() 函数，因为求mAP就是对ap的结果求平均值。
函数原型是：返回值是ap
def compute_ap(ranks,nres):
假设输⼊⼀张图⽚，数据库中有3个图像与之匹配，按照相似度⾼低进⾏排序，得到的位置是第1位，第3位，第6位是这三幅图像，匹配正确。
但是在这个程序设计中，待检索图像在当前数据库中，那么本⾝的相似度肯定是最⾼的，排在第0位，ranks=[0,1,3,6]
。nres=4。表⽰数据库中与待检索图像的属于同⼀类的个数。按照图像检索ap的计算 ⽅式， 得到ap=
(1+1+3/4+4/7)/4=0.830357143.但是这种计算⽅式ap值偏⼤，⾃⼰检索到⾃⼰不应该算到⾥⾯ ，于是正确的计算⽅式应该是ap= (1+2/3+3/6)/3=0.7222222。在测试的时候计算之后发现与代码中计算结果
不⼀致。代码中的求取⽅式是
项目助理岗位职责
[(1+1+3/4+4/7)/4+（1+2/3+3/6)/3]/2。不是求平均值。
菠萝诞ap += (precision_0 + precision_1) * recall_step / 2.
总之，mAp值还是偏⾼啊，或许⾃⼰没有搞明⽩，没有研究更多的代码，不知道在图像实例检索的代码中mAP都是这样算的吗？下⾯给出⼀个使⽤计算ap值的例⼦。
import numpy as np
def compute_ap(ranks, nres):
"""
Computes average precision for given ranked indexes.
Arguments
---------猪脆骨怎么做好吃
ranks : zerro-bad ranks of positive images
动漫壁纸可爱nres : number of positive images
Returns
-------
ap : average precision
除夕是法定假日吗"""
# number of images ranked by the system
nimgranks = len(ranks)
# accumulate trapezoids in PR-plot
ap = 0
recall_step = 1. / nres
for j in np.arange(nimgranks):
rank = ranks[j]
if rank == 0:
precision_0 = 1.
七年级历史试卷分析el:
precision_0 = float(j) / rank
precision_1 = float(j + 1) / (rank + 1)
ap += (precision_0 + precision_1) * recall_step / 2.
return ap
ranks=np.array([0,1,3,6])
ners=4
result=compute_ap(ranks,ners)
print(result)
修改⼀点可以进⾏正常的计算
