目标检测衡量标准

  • http://tarangshah.com/blog/2018-01-27/what-is-map-understanding-the-statistic-of-choice-for-comparing-object-detection-models/
  • https://www.zhihu.com/question/53405779
  • 代码:https://github.com/QueenJuliaZxx/mAP/blob/master/README.md

目标检测性能指标

  1. 识别精度
  2. 识别效率
  3. 定位准确性

 定义:

- TP,True Positive 
- FP,False Positive 
- TN,True Negative 
- FN,False Negative

Precision、Recall、Accuracy、F1 Score

目标检测衡量标准_第1张图片

precision = TP / (TP + FP)
recall = TP / (TP + FN)
accuracy = (TP + TN) / (TP + FP + TN + FN)
F1 Score = P*R/2(P+R),其中P和R分别为 precision 和 recall

通常我们选择在验证集上,F1 Score 数值最大的那个模型假设。

3、曲线

3.1、Precision-recall 曲线

3.2、Approximated Average precision

相比较与曲线图,在某些时候还是一个具体的数值能更直观地表现出分类器的性能。通常情况下都是用 Average Precision来作为这一度量标准,它的公式为: 

在这一积分中,其中p代表Precision ,r代表Recall,p是一个以r为参数的函数,相当于曲线下面的面积。

 

实际上这一积分极其接近于这一数值:对每一种阈值分别求(Precision值)乘以(Recall值的变化情况),再把所有阈值下求得的乘积值进行累加。公式如下: 

在这一公式中,N代表测试集中所有图片的个数,P(k)表示在能识别出k个图片的时候Precision的值,而 Delta r(k) 则表示识别图片个数从k-1变化到k时(通过调整阈值)Recall值的变化情况

 

 

你可能感兴趣的:(计算机视觉与图像处理,深度学习,深度学习,目标检测和深度学习,计算机视觉和数字图像处理)