平均精度 (AP)

Parent: ai_keywords

平均精度 (Average Precision, AP)

核心定义

平均精度是评估信息检索系统或目标检测模型性能的综合性指标，定义为精确率-召回率（Precision-Recall, PR）曲线下的面积（AUC-PR）。它量化了模型在不同召回阈值下保持高精确率的能力，对类别不平衡场景尤其敏感，优于仅依赖单一阈值的指标（如准确率）。

关键技术点

  1. 精确率与召回率的权衡
    精确率 = TP / (TP + FP)，召回率 = TP / (TP + FN)。AP通过积分形式综合反映两者随置信度阈值变化的动态关系，而非仅考察固定截断点。

  2. AP的计算方法
    常见做法是对PR曲线进行插值（如PASCAL VOC采用11点插值法，COCO采用101点插值），通过梯形法则计算曲线下面积。现代实现（如COCO的AP@[0.5:0.95]）进一步采用多IoU阈值下的AP均值（mAP），增强评估的鲁棒性。

  3. 平均精度均值 (mAP)
    在多类别任务（如目标检测）中，先计算每一类的AP，再取所有类别的算术平均。mAP是当前计算机视觉领域最权威的基准指标之一。

  4. 不同IoU阈值的影响
    AP@0.5（IoU≥0.5视为正检）对定位精度要求较低，而AP@0.75更严苛。COCO的AP@[0.5:0.95]平均了从0.5到0.95（步长0.05）的10个IoU阈值，全面评估定位与分类的综合性能。

医学/神经科学应用场景

结合首都医科大学神经病学研究所背景：在脑部MRI的阿尔茨海默病（AD） 早期病灶检测中，AP用于评估深度学习模型对海马体萎缩、脑白质高信号等细微病理变化的识别精度。由于AD患者病灶面积小且分布不均（类别严重不平衡），传统准确率易被大量正常区域稀释。AP通过PR曲线整合模型在极低召回率（如仅检出最明显病灶）至较高召回率（检出微小病灶）下的表现，更真实反映临床实用性。例如，首都医科大学团队开发的3D注意力网络在ADNI数据集上若AP@0.5 > 0.92，意味着模型能够在保持低假阳性率的同时，捕捉到70%以上的早期萎缩病灶，为神经退行性疾病的早期干预提供可靠影像学依据。