轉載自知乎

OKS, object keypoint similarity, 即關鍵點相似度. 在人體關鍵點評價任務中,對於網路得到的關鍵點好壞,並不是僅僅通過簡單的歐氏距離來計算的,而是有一定的尺度加入,來計算兩點之間的相似度. 公式:

$OK{S}_p=$

其中:

• $p$ 表示在groundtruth中某個人的id
• $p^{i}$ 表示某個人的關鍵點id
• $v_{p^{i}}=1$ 表示這個關鍵點的可見性為1(即在圖片上可見)
• $S^{2}_{p}$ 表示這個人所佔的面積大小平方根, 根據groundtruth里人的box計算得到
• $\sigma_{i}$ 表示第i個骨骼點的歸一化因子，這個因子是通過對已有的資料集中所有groundtruth計算的標準差而得到的，反映出當前骨骼點對與整體的影響程度。值越大,說明在整個資料集中對這個點的標註效果越差; 值越小,說明整個資料集中對這個點的標註效果越好

OKS是對兩個人的之間的關節點相似度計算,如果有多人的時候,假設一張要預測的圖片上有M個人,我預測出來了N個人,那麼M個人中的每個人都會和預測的N個人的關節點進行相似度計算,所以最後我們會得到一個M x N 的矩陣,對於其中的一個人來講,會選擇和他oks最大的那個作為預測的label來計算.

AP（Average Precision）

根據前面的OKS矩陣，已經知道了某一張影象的所有人（groundtruth中出現的）的OKS分數，現在測試集中有很多影象，每張影象又有一些人，此時該如何衡量整個演算法的好壞的。這個時候就用到了AP的概念，AP就是給定一個t，如果當前的OKS大於t，那就說明當前這個人的骨骼點成功檢測出來了，並且檢測對了，如果小於t，則說明檢測失敗或者誤檢漏檢等，因此對於所有的OKS，統計其中大於t的個數，並計算其佔所有OKS的比值。即假設OKS一共有100個，其中大於閾值t的共有30個，那麼AP值就是30/100=0.3.

mAP（mean Average Precision）

顧名思義，AP的均值，具體計算方法就是給定不同的閾值t，計算不同閾值情況下對應的AP，然後求個均值就ok了。