深度学习，分类，检测，分割，模型评价指标总结

最新推荐文章于 2023-06-01 12:05:14 发布
最新推荐文章于 2023-06-01 12:05:14 发布
阅读量2.9k 收藏 14
点赞数 1
分类专栏： 深度学习 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TYtangyan/article/details/106005451
版权

  当我们训练完自己的模型以后，怎样知道不同的权重到底哪个好呢。一张张看？显然不合理，所以需要有一个衡量的标准。  

1.分类网络：

首先要知道TP,FP,TN,FN的概念

如下图：

 多种类的时候可以使用混淆矩阵来看一下分类的结果：

                      预测

实际

0

1

2

3

0

5

3

1

1

1

1

5

2

1

2

1

1

5

1

3

2

1

1

5

                                                                                                       

最低0.47元/天 解锁文章
新生代农民工！
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
医学图像分割常见评价指标(单目标)——包含源码讲解和指标缺陷
Philo的博客
11-05 1万+
2023年6月1号新增Accuracy指标，强调了其和Precisio指标的区别 就是预测的区域中真正是目标区域的面积占据总目标区域的比例，1最好，0最拉；
模型汇总---分类、检测、分割
qq_28057379的博客
02-14 1661
轻量级网络--MobileNet论文解读_DFan的NoteBook-CSDN博客_mobilenet论文 轻量级模型：MobileNet V2_小麦草的博客-CSDN博客_mobilenetv2 目标检测 目标检测网络CenterNet详解(四) - silence_cho - 博客园 分割 FCN UNet 图像语义分割入门+FCN/U-Net网络解析 - 知乎 ParseNet 【图像分割模型】全局特征与局部特征的交响曲—ParseNet - 知乎 OCRNet 【语义
深度学习笔记（33） 特征点检测
氢键H-H
08-13 1万+
设定特征点和关键特征点
深度学习——物体检测算法：R-CNN，SSD,YOLO（笔记）
jbkjhji的博客
12-22 2185
④yolo 在后续的版本（V2,V3,V4...）中有持续的改进，但是核心思想没有变，真实的边缘框不会随机的出现，真实的边缘框的比例、大小在每个数据集上的出现是有一定的规律的，在知道有一定的规律的时候就可以使用聚类算法将这个规律找出来（给定一个数据集，先分析数据集中的统计信息，然后找出边缘框出现的规律，这样之后在生成锚框的时候就会有先验知识，从而进一步做出优化）①输入图像后，首先进入一个基础网格抽取特征，抽取完特质之后对每个像素生成大量的锚框（每个锚框就是一个样本，然后预测锚框的类别和偏移）
深度学习检测小目标常用方法
lyk_ffl的专栏
11-11 674
## 引言 在深度学习目标检测中，特别是人脸检测中，小目标、小人脸的检测由于**分辨率低，图片模糊，信息少，噪音多**，所以一直是一个实际且常见的困难问题。不过在这几年的发展中，也涌现了一些提高小目标检测性能的解决手段，本文对这些手段做一个分析、整理和总结。 **欢迎探讨，本文持续维护。** ## 实验平台 N/A ## 传统的图像金字塔和多尺度滑动窗口检测 最开始在深度学习方法流行之前，对于不同尺度的目标，大家普遍使用将原图build出**不同分辨率的图像金...
深度学习笔记（三十八）目标检测及YOLO算法
Mr.zwX
02-21 1075
文章目录一、目标定位二、特征点检测三、目标检测四、卷积的滑动窗口实现五、Bounding Box预测（YOLO）六、交并比（IoU）七、非极大值抑制NMS八、Anchor Boxes 一、目标定位 什么是目标定位和目标检测？通常我们遇到的三类问题： 图像分类 目标定位 目标检测 图像分类和目标定位是单物体的检测，而目标检测是多物体的检测。 通过卷积神经网络处理图像后，Softmax输出分类的类别，同时还需要输出bounding box的位置，框出目标物体。 bxbyb_xb_ybx​by​是中心点
【个人总结】用深度学习进行信号的特征提取和分类
热门推荐
weixin_42853410的博客
11-12 1万+
项目和资料汇总参考项目汇总kaggle项目天池项目深度学习学习资料汇总机器学习总流程sklearn细节问题信号处理信号特征及特征提取方法 参考项目汇总 kaggle项目 【VSB 电源线故障检测】CNN + LSTM用于信号分类： https://www.kaggle.com/afajohn/cnn-lstm-for-signal-classification-lb-0-513/comments 【泰坦尼克之灾】预测能否生还https://www.kesci.com/mw/project/5bfe39b3
U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析.pdf
08-18
Dice 相似性系数是一种常用的图像分割评价指标，用于评估模型的分割结果。在本研究中，使用了 Dice 相似性系数来评价 U-Net 模型的分割结果。 知识点五：结构化报告在医疗图像分析中的应用 结构化报告是医疗图像...
基于深度学习的场景文字检测研究进展.pdf
08-18
总结来说，《基于深度学习的场景文字检测研究进展》这篇论文全面回顾了深度学习在场景文字检测领域的最新成果，分析了各类算法的优缺点，同时也指出了未来可能的研究方向，如更高效的模型、端到端的检测识别一体化...
基于难样本挖掘和深度学习的乳腺癌检测方法.pdf
08-18
深度学习模型可以对乳腺癌图像进行特征提取和分类，从而实现对乳腺癌的自动检测。 知识点2：难样本挖掘在乳腺癌检测中的应用 难样本挖掘技术可以对乳腺癌图像中的难样本进行挖掘和分析，从而提高乳腺癌检测的准确...
图像分割评测指标，dice，voe,ASD,RVD等
04-12
图像分割评测指标，dice，voe,ASD,RVD等，适用于2d分割图像或者3d图像分割
基于深度学习的大米垩白分割算法研究.pdf
08-18
实验结果显示，IMUN网络在大米垩白区域的分割准确率达到了94.11%，在像素精度和交并比等评价指标上优于传统的FCN网络以及近年来提出的一些新网络。这种高效率的分割性能使得IMUN适合应用于嵌入式可移动的检测设备中...
基于全卷积深度学习网络结构的胃肠息肉图片分割.docx
11-06
9. 模型评价指标：像素准确性（pixel accuracy）是模型的评价指标之一，能够评估模型的预测效果。 10. 训练集和测试集：训练集用来对模型进行分类识别训练，测试集则用来评估训练后模型的预测效果。
PointNet：基于深度学习的3D点云分类和分割模型
weixin_45854106的博客
08-12 1833
简介 深度学习已经成为了计算机视觉领域的一大强有力的工具，尤其在图像领域，基于卷积神经网络的深度学习方法已经攻占了绝大多数问题的高点。然而针对无序点云数据的深度学习方法研究则进展相对缓慢。这主要是因为点云具有三个特征：无序性、稀疏性、信息量有限。 以往学者用深度学习方法在处理点云时，往往将其转换为特定视角下的深度图像或者体素（Voxel）等更为规整的格式以便于定义权重共享的卷积操作等。 PointNet则允许我们直接输入点云进行处理。 输入输出 输入为三通道点云数据，也可以有额外的通道比如颜色、法向量等，
图像分类以及经典的分类模型
TerenceAmil的博客
08-01 9466
图像分类 图像分类目的 图像分类实质上就是从给定的类别集合中为图像分配对应标签的任务。 例如： 类别集(caegories)有(bird,dog,pig)三个类别，输入一张图片，分类模型会给图像分配多个标签，每个标签的概率不相同，取最大作为其类别，这就完成了图像分类的任务 图像分类经典的分类模型 AlexNet AlexNet简介： 2012 年的ImageNet图像识别挑战赛中，AlexNet横空出世，它击败了日本选手的传统方法构建的SVM模型，首次证明了学习到的特征可以超越手工设计的特征，从而一举打破计
常见指标 Iou,dice,accuracy,recall,sensitivity,precision,F1-score,specificity 图解以及计算代码
LQ_001的博客
11-20 7802
图像分割IOU计算代码
深度学习分割评价指标汇总
越秃越强
06-01 415
计算公式：2TP / (2TP+FP+FN) = 2(Precision+Recall) / (Precision * Recall)计算公式为：ACC=(TP+TN)/(TP+FP+FN+TN)计算公式为：BER=1/2*(FPR+FN/(FN+TP))计算公式为：FPR= FP / (FP + TN)计算公式为：TNR= TN / (FP + TN)计算公式为：PPV=TP / (TP + FP)计算公式为：TPR=TP/ (TP+ FN)计算公式：TP/(TP+FP+FN)
分割模型的评估指标
jinxianwei1999的博客
11-18 155
语义分割评估指标
resnet50、FPN、Panet结构及代码
TYtangyan的博客
06-06 8879
起初faster-r-cnn，只采用最后一层特作为rpn以及head部分的特征图，后来不断改进，有了FPN， 一般来再后来有了Panet，网络的层数越深它的语义信息越丰富。但是随着网络层数的加深，检测所需的位置信息就会越差，CNN分类网络只需要知道一张图像的种类即可所以很多时候网络越深效果越好，但是不是分类效果越好的网越适合检测。FPN如下图所示，它用了不同大小的特征图进行预测，图中：下方的特征图较大，对应的感受野较小可以用来检测小目标，上部分的特征图尺寸较小，但是感受野较大适合检测大目标。 ...
深度学习目标检测面试
最新发布
08-26
深度学习目标检测面试通常会涉及以下几个方面： 1. 目标检测算法的原理和常见的算法类型：在目标检测领域，常见的算法包括YOLO系列（如YOLOv4、YOLOv5）、Faster R-CNN、SSD、EfficientDet等。这些算法通过使用不同的网络结构和策略来实现目标的检测和定位。 2. 目标检测算法的评价指标：在目标检测任务中，常用的评价指标有精度和速度。精度可以通过计算IOU或者使用特定的阈值筛选目标进行评估。速度可以通过算法的推理时间来评估，通常希望在保持一定精度的前提下，选择速度更快的算法。 3. 不同任务领域的目标检测算法选择：根据任务的不同，可以选择适合的目标检测算法。比如，在图像分类任务中，可以选择一些轻量级的网络结构，以节省算力资源。而在实例分割、文本检测等任务中，可以选择相应的专门算法。 4. 理解和分析深度学习模型的性能：在面试中，可能会被问到如何评估和分析深度学习模型的性能。除了精度和速度，还可以考虑模型的复杂度、可解释性等因素来综合评估模型的性能。 总的来说，深度学习目标检测面试主要涉及目标检测算法的原理、评价指标和不同任务领域的算法选择。在回答问题时，可以结合引用中提到的一些流行的目标检测算法和性能指标进行回答。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [基于深度学习的目标检测算法面试必备（RCNN~YOLOv5）](https://blog.csdn.net/weixin_38709838/article/details/114956073)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [深度学习CV岗位面试问题总结（目标检测篇）](https://blog.csdn.net/AI_Lucky/article/details/120409268)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值