数据集与评价指标
算法评估相关概念
TP: 被正确地划分为正例的个数,即实际为正例且被分类器划分为正例的实例数
FP: 被错误地划分为正例的个数,即实际为负例但被分类器划分为正例的实例数
FN:被错误地划分为负例的个数,即实际为正例但被分类器划分为负例的实例数
TN: 被正确地划分为负例的个数,即实际为负例且被分类器划分为负例的实例数
置信度与准确率
可以通过改变阈值( 也可以看作上下移动蓝色的虚线) , 来选择让系统识别能出多少个图片, 当然阈值的变化会导致Precision与Recall值发生变化。 比如, 把蓝色虚线放到第一张图片下面, 也就是说让系统只识别出最上面的那张飞机图片, 那么Precision的值就是100%, 而Recall的值则是20%。 如果把蓝色虚线放到第二张图片下面, 也就是说让系统只识别出最上面的前两张图片, 那么Precision的值还是100%, 而Recall的值则增长到是40%。
不同阈值条件下, Precision与Recall的变化情况:
P-R曲线
AP计算
在这一例子中, AP的值
= (1 ∗ (0.2 − 0)) + (1 ∗ (0.4 − 0.2)) + (0.66 ∗ (0.4 − 0.4)) + (0.75 ∗ (0.6− 0.4)) + (0.6 ∗ (0.6 − 0.6)) + (0.66 ∗ (0.8 − 0.6)) + (0.57 ∗ (0.8 − 0.8))+ (0.5 ∗ (0.8 − 0.8)) + (0.44 ∗ (0.8 − 0.8)) + (0.5 ∗ (1 − 0.8)) = 0.782.
= (1 ∗ 0.2) + (1 ∗ 0.2) + (0.66 ∗ 0) + (0.75 ∗ 0.2) + (0.6 ∗ 0) + (0.66∗ 0.2) + (0.57 ∗ 0) + (0.5 ∗ 0) + (0.44 ∗ 0) + (0.5 ∗ 0.2) = 0.782.
通过计算可以看到, 那些Recall值没有变化的地方( 红色数值) , 对增加
Average Precision值没有贡献。
AP计算I:实际图像分类任务(多类)
首先使用训练好的模型获得所有测试样本的confidence score, 每个类别( 如person、 car等) 都会获得一组confidence score
AP计算II:实际图像分类任务(多类)
按照上图中的score值从大到小对所有样本进行排序, 排序后结果如图所示:
AP计算III:实际图像分类任务
目标检测与YOLO
目标检测问题:目标检测是在给定的图片中精确找到物体所在位置,并标注出物体的类别。物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现在图片的任何地方,并且物体还可以是多个类别。
目标检测问题及发展
➢ R-CNN
➢ SPP NET
➢ Fast R-CNN
➢ Faster R-CNN
➢ 最终实现YOLO