深度学习中的几个概念

深度学习里的几个概念

NMS

非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。

Bounding-Box regression

边框回归(Bounding-Box regression)，对于窗口一般使用四维向量(x,y,w,h) 来表示， 分别表示窗口的中心点坐标和宽高。 对于图 2, 红色的框 P 代表原始的Proposal, 绿色的框 G 代表目标的 Ground Truth， 我们的目标是寻找一种关系使得输入原始的窗口 P 经过映射得到一个跟真实窗口 G 更接近的回归窗口G^。

IoU

交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。

Precision 与 Recall

Precision（精确度）是在识别出来的图片中，True positives所占的比率：

Recall （召回率）是被正确识别出来的飞机个数与测试集中所有飞机的个数的比值：

Recall的分母是(True positives + False negatives)这两个值的和

TP TN FP FN

T或者N代表的是该样本是否被分类分对，P或者N代表的是该样本被分为什么

TP（True Positives）: “被分为正样本，并且分对了”

TN（True Negatives）: “被分为负样本，而且分对了”

FP（False Positives）意思是“被分为正样本，但是分错了”

FN（False Negatives）意思是“被分为负样本，但是分错了”

mAP

mAP(mean Average Precision)表示各类别的平均AP

AP:

AP事实上指的是，利用不同的Precision和Recall的点的组合，画出来的曲线下面的面积。

如下面这幅图所示。

mAP就是所有的类的AP值求平均

注： TP,FP,FN,TN，Precision和Recall等概念可参考这篇blog（https://blog.csdn.net/yongjiankuang/article/details/78336860）