在目标检测中:
TP(True Positive,真正例):指被正确检测为正例的样本数量。例如,模型正确检测出了一个确实存在的目标物体。
TN(True Negative,真负例):指被正确检测为负例的样本数量。比如模型正确判断一个区域不存在目标物体。
FP(False Positive,假正例):指被错误地检测为正例的负例样本数量,也就是误报。举例来说,模型把一个本不存在目标物体的区域错误地判断为存在目标物体。
FN(False Negative,假负例):指被错误地检测为负例的正例样本数量,也就是漏报。例如,模型没有检测出一个实际上存在的目标物体。
这些概念在评估目标检测模型的性能时非常重要,基于它们可以计算出各种评估指标,如准确率、召回率、F1 值等,以全面衡量模型的检测效果。
比如说,在一个检测车辆的任务中,如果模型把一辆真实存在的车正确检测出来了,这就是一个 TP;如果模型把一个没有车的区域判断为有车,那就是一个 FP;如果模型没有检测出一辆实际存在的车,这就是一个 FN;而如果模型正确判断一个区域没有车,那就是一个 TN 。
看了那么多文章,还是问豆包,通俗易懂。