图像显著性检测算法的评价指标介绍

图像显著性检测算法的评价指标介绍

要评价一个图像显著性检测(Saliency Detection,SD)算法的好坏，当然离不开评价指标(Metric)，显著性检测分为眼注视点显著性(eye fixation saliency)和显著目标检测(salient object detection)两种不同类型的任务。

对于眼注视点检测任务来说，它主要是检测人眼关注点的位置，常用的评价指标有:

• ROC (Receiver Operating Characteristic curve)
• AUC (Area Under Curve)
• sAUC (shuffled AUC)
• CC (Pearsons Linear Correlation Coefficient)
• NSS (Normalized Scanpath Saliency)
• KLDiv (Kullback-Leibler Divergence )

ROC 曲线又称受试者受试者工作特征曲线，以假正例率（False Positive Rate, FPR）为横轴，真正例率(True Positive Rate, TPR)为纵轴所组成的坐标图，以0~255不同的阈值对预测的眼注视点显著图分类描点，从而绘制成曲线图。从直观上看，曲线越接近左上角，说明该算法检测性能越好；曲线下面积称之为AUC, AUC越大说明算法检测性能越好。由于AUC会受中心偏差(center bias)的影响，研究者又提出更加鲁棒的sAUC评价指标。

CC是指皮尔逊相关系数，用来评价预测的眼关注点显著图和参考图ground truth之间的线性相关性，CC越大说明该模型性能越好；NSS是指标准化扫描路径显着性，用来评价两者之间的差异值，NSS越大说明模型性能越好；KLDiv是指KL散度，KLDiv越小说明该模型检测性能越好。

对于显著目标检测任务来说，它主要是检测出受人眼注意的显著性的目标区域，比如猫狗，车辆，行人等等，有点类似object segmentation。常用的评价指标有：

• ROC (Receiver Operating Characteristic curve)
• AUC (Area Under Curve)
• MAE (Mean Absolute Error)
• Fb
• MAP (Mean Average Precision)
• MAR (Mean Average Recall)

上述评价指标中，ROC与AUC类似于眼注视点任务，都是用不同的阈值来确定描点位置，然后将所有点连接起构成ROC曲线；MAE是指平均绝对值误差，用于评价预测的显著图和参考图之间的差异，MAE越小说明该算法性能越好；Fb是根据precision和recall计算的，Fb越大说明算法性能越好；MAP是指平均精度率，MAR是指平均召回率，MAR和MAP越大说明算法性能越好。

后续
这篇文章是对显著性检测算法的评价指标做一个简单的梳理，后面我会持续更新各种指标的详细解释和实现代码，敬请关注。

图像显著性检测论文代码汇总整理，请移步到以下链接：
https://blog.csdn.net/u010736662/article/details/88930849