Pascal VOC 2007
数据集
共20类
9963幅标注图片，分为训练集（2501）、验证集（2510）和测试集（4952）
-
结果提交：
所有图片每类目标的检测结果单独放一个txt文件，每行代表一个检测输出，格式如下：
<image identifier> <confidence> <left> <top> <right> <bottom>整个文件例如：
comp3_det_test_car.txt:
000004 0.702732 89 112 516 466 000006 0.870849 373 168 488 229 000006 0.852346 407 157 500 213 000006 0.914587 2 161 55 221 000008 0.532489 175 184 232 201
评估
检测任务通过PR曲线（precision/recall curve）评价，主要的定量测量为
AP（average precision）。-
预测框
和真实边界框（ground truth bounding box）
的IoU值
超出50%时认为其为一个正确的预测，其中
一幅图片内的一个目标的多个预测被记为一个为正确预测，其他为错误预测。
工具包（Development Kit）
安装，将数据放到工具包目录中，详看工具包pdf文档
-
检测器例子
example_detector.m包含了一个完整检测任务实现。其在train set训练一个检测器，然后应用到val set得到一个满足格式的结果文件，最后绘制出PR曲线和得到AP值。
代码实现
读取val中所有图片的airplane类标注信息（包括diff），统计airplane类的目标总数npos（不包括diff）
读取对val所有图片的airplane类的预测结果
按score从高到低排列预测结果，
：预测框个数，
：初始化为零，
：初始化为零
-
遍历预测框，
for d = i:nd找到预测框`d`对应的图片`i` 遍历图片`i`中airplane类的目标框，`for j = 1:size(gt(i))` 找到最大的IOU值及对应的目标框`j` 如果IOU大于等于阈值（0.5）、目标框`j`非diff、目标框`j`未被匹配，则 $tp(d)=1$，标记目标框`j`被匹配 如果IOU大于等于阈值（0.5）、目标框`j`非diff、目标框`j`被匹配，则 $fp(d)=1$ 如果IOU大于等于阈值（0.5）、目标框`j`是diff，则 标记目标框`j`被匹配 如果IOU小于阈值，则 $fp(d)=1$注：1.预测框匹配到diff目标框时fp，tp都不统计；2.预测框匹配到已经被匹配的目标框时，此目标框也记为fp。
-
计算PR曲线
fp = cumsum(fp) tp = cumsum(tp) rec = tp / npos prec = tp ./ (fp + tp) 按Pascal VOC 2007方式计算AP。
Pascal VOC 2012
代码实现
1,2,3,4,5步同Pascal VOC 2007的代码实现部分，
第6步按Pascal VOC 2012方式计算AP。
