关于计算机视觉中异常检测的一些性能指标

在计算机视觉项目的异常检测中,基本用这几个指标来衡量算法的性能好坏。

误检率:FPR=FP/(FP+TN)

漏检率:FNR=FN/(FN+TP)

正确率:A=(TP+TN)/(TP+TN+FP+FN)

名称

英文缩写

英文全称

误检率

FPR

False Predicted Ratio

漏检率

FNR

False Negative Ratio

正确率

A

Accuracy

错误匹配

F

false

正确匹配

T

true

正类

P

positive

负类

N

negative

错误匹配,将负类预测为正类

FP

False positive

正确匹配,将负类预测为负类

TN

True negative

错误匹配,将正类预测为负类

FN

False negative

正确匹配,将正类预测为正类

TP

true positive

说明:在异常检测中我们更多的是关注事物的异常状态,所以将异常状态表示为正类,将正常状态表示为负类,如工业检测中划痕检测,显示屏有划痕是正类,没有划痕是负类。正确匹配为将正类识别为正类,将负类识别为负类,错误匹配为将正类识别为负类或将负类识别为正类。

你可能感兴趣的:(机器视觉算法,视觉算法,性能指标,异常检测)