2018-12-22 车标检测论文 准确率算法

       今天终于开了第一个博客，据说这是程序员必备233333。当然自己主要是做一个信息的整合和总结，以后遇到相同的问题会方便一些，当然也会搬运一些自己当初在印象笔记做的一些读书笔记和新的。

      今天还是在推进朱老板的车标数据集整理，主要略读了几篇国内关于车标检测到硕士生和期刊论文。主要还是使用传统的算法进行车标的检测和识别，其中印象比较深刻的是电子科技大学的硕士论文：汽车车标联合检测与辨识算法研究。这篇文章还是使用的传统方案SIFT SVM等，实现了在监控条件下的车标识别+分类。其他的深度学习算法都很难实现小目标的识别。

      另外还仔细读了基于yolo的车标识别论文Fast vehicle logo detection in complex scenes，文中采用了自己预训练的模型并且调了一些参数，并跟主流检测算法做了比较但是感觉提升不大。另外其数据集并没有公开很难判断照片数量和形式。但是有一点可以确认：使用主流的目标检测算法确实可以达到比较高的准确率，自己上个月实验还是存在问题可能跟预训练模型有关。接下来可能要放弃教程里面的预训练模型。另外给我的启示是可能深层次网络不利于实际的小目标检测。

今天仍然稍微调研了一下关于识别问题的准确率定义问题（毕竟要自己设计协议）

根据博客https://blog.csdn.net/weixin_40446557/article/details/83106995，主要的判别标准有rank-n(易懂)、precision和recall 

正确率 = 提取出的正确信息条数 / 提取出的信息条数

召回率 = 提取出的正确信息条数 / 样本中的信息条数

第一次检索到m1，提取出的正确信息条数=1，提取出的信息条数=1，样本中的信息条数=3，正确率=1/1=100%，召回率=1/3=33.33%；

第二次检索到m1，提取出的正确信息条数=2，提取出的信息条数=3，样本中的信息条数=3，正确率=2/3=66.66%，召回率=2/3=66.66%；

第三次检索到m1，提取出的正确信息条数=3，提取出的信息条数=6，样本中的信息条数=3，正确率=3/6=50%，召回率=3/3=100%；

平均正确率AP=（100%+66.66%+50%）/3=72.22%

而当需要检索的不止一个人时，此时正确率则取所有人的平均mAP。以及CMC、ROC曲线。对拒识还是没有什么思路。

在写数据库的时候可以强调现阶段已经标注好的公开车标数据库没有我的规模大，同时我们的数据库存在检测到意义，其他数据库仅仅做的就是分类达不到检测+分类的工作。

下午标注了大约六十张左右的图片，这个图片还是得合起来用，单独分成原来的三类没什么意义和价值。