网站开发前端学习,闵行三中网站,构建自己的网站,特产网站设计1. 简述 在计算机视觉/深度学习领域#xff0c;每一个方向都有属于自己的评价指标。通常在评估一个模型时#xff0c;只需要计算出相应的评价指标#xff0c;便可以评估算法的性能。同时#xff0c;所谓SOTA#xff0c;皆是基于某一评价指标进行的评估。 接下来#xff0…1. 简述 在计算机视觉/深度学习领域每一个方向都有属于自己的评价指标。通常在评估一个模型时只需要计算出相应的评价指标便可以评估算法的性能。同时所谓SOTA皆是基于某一评价指标进行的评估。 接下来我们将对目标检测领域的评价指标做一个大体的说明其中涉及PrecisionAPmAPAccuracy等指标。
2. IOU 交并比表示实际识别框与目标标注框的重合程度如下绿色框为数据标注框红色为实际识别框(预测框)两者做交集面积与并集面积比衡量识别性能 3. Precision(查准率) 针对特定类别α衡量识别出的目标中识别正确的数量占比。 假设识别出的类别α有P个目标其中识别正确的为TP个错误的为FP个有关系P TPFP识别精准率Precision计算如下 更进一步识别正确的判定可依据IOU为50%75%或95%来认定对应的有Precision0.5Precision0.75和Precision0.95。
Precision表示所有被检测为正例的情况下实际为正例的比例。
4. Recall, 召回率(查全率) 假设当前样本中共有M个类别为α的目标识别出的目标数量为TP个未被识别的有FN个及M TP FN则有如下关系 Recall表示所有应该被检测为正例的情况是实际被检测为正例的情况。
特别注意 查准率和查全率往往是一个互相矛盾的优化方向。如果我们想要提高查准率那么我们可以通过提高阈值这样可以检测出实际更可靠的正例提高TP的数量那些被错误检测为正例TP的数量相应会减小。这样一来Precision就会变大。
但是这个时候一些实际为正例但没有被检测到的目标FN的数量就会增加这个时候Recall会变小。
5. AP(平均精度) 平均精度是针对单个类来讲的首先计算单个类的PR曲线AP则是PR曲线下的面积。 选取IOU取[0.5 : 0.95 : 0.05]([start:stop:step])测得每一个IOU下的Precision和Recall计算PR曲线下的面积。 如下图所示为PR曲线样例其中横轴一般为Recall纵轴一般为Precision。 6. mAP平均精度均值 AP是针对单个类的评价参数而mAP则是针对多个类的一个综合评价参数。如果有多个类别我们分别计算每一个类别的AP然后取平均得到mAP(mean Average Precision)。 其中为类别i的平均精度N为类别数。
6. Accuracy 以上查准率和查全率以及对应的综合评价参数都是针对正例而言的。而准确率则是针对所有的正负例是一个综合的评价指标。 预测的所有目标中预测正确的占比。准确率提供了模型对所有类别预测准确性的总体评估它是一个直观的性能指标表明模型在所有预测中有多少是正确的。 准确率提供了模型对所有类别预测的整体准确度但它可能受到类别不平衡的影响。例如如果负类样本远多于正类样本那么即使模型只是简单地将所有样本预测为负类准确率也可能会很高但这并不意味着模型具有良好的预测性能。
