1 致谢
感谢网友生活不只*眼前的苟且的帮助，
原文链接如下：
https://blog.csdn.net/u011734144/article/details/79985917
2 前言
今天在阅读FaceBoxes的论文~
读的时候有的地方没有看懂，就是评测指标这里，
这里使用了一个指标叫做mAP，我先以为这个mAP是“多分类中的mAP指标”，后来看来一下作者GitHub中给出的链接，
然后我用代码试了一下，发现是如下的结果，
可以看到，这里的横坐标是 False positives（也就是FP的数量），纵坐标是 True positive rate，也就是医学中常用的真阳率，我感觉这篇博客《真阳率（true positive rate）、假阳率（false positive rate），AUC，ROC》写的还是挺好的，其实TPR的概率起源于医学中，主要指的是分辨医学指标显示为阳性、然后也确实患病的概率，由此可以来评价这个指标的准确度~
3 人脸检测中mAP的含义
首先，我们需要明确的是，人脸检测中的mAP与多分类中的mAP指标是不同的，
它指的是：在不同得分阈值下对TP的判断标准不同，于是会对应不同数量的 false Positive，从而与不同TPR的对应的关系；
其实我们仔细看看TPR的定义就会知道，TRP其实就是recall；
由此产生的曲线，即为mAP的曲线，也就是我们在前言中展示的曲线图，实际上就是不同阈值下recall值的曲线图；
对于论文中使用的指标，我们再来看看其表述，
他们使用的是在出现1000个FP时的TPR，相当于这里使用1000个FP动态规定了score判定正负样本的阈值，并计算此时的recall；
但是这里如何根据FP数据进行统计呢，我们再来回顾一下这个TPR-FP的曲线，
一个比较奇怪的情况是，这里的横坐标是 False positives，那么我们怎么根据FP数目再来统计TPR呢？
其实方法跟多分类中的统计是类似的，将模型输出的bbox按照score进行从高往低排序，然后逐个统计不同TRP情况下FP的数目；