深度学习，误检率，漏检率计算

已于 2022-02-17 08:51:59 修改
阅读量9.3k 收藏 9
点赞数
分类专栏： python 文章标签： 深度学习 人工智能 python
于 2022-02-11 13:59:58 首次发布
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/Vertira/article/details/122879204
版权

假设:
一组样本，个数为，正例有P个，负例有N个，

算法结果:
判断为正例的正例有TP个，判断为负例的正例有FN个(假的负例）P=TP+FN
判断为负例的负例为TN个，判断为正例的负例有FP个（假的正例）N=TN+FP

指标计算:
精确度（Precision）P=所有判断为正例的例子中，真正为正例的所占的比例=TP/(TP+FP)
准确率（Accuracy）A=判断正确的例子的比例=（TP+TN）/（P+N）
召回率（Recall）R=所有正例中，被判断为正例的比例=TP/P
漏警概率=1-Recall，正例判断错误的概率，漏掉的正例所占比率
虚警率=1-Precision，错误判断为正例的概率，虚假正例所占的比率

Vertira
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
【机器学习】准确率、精确率、召回率、误报率、漏报率概念及公式
BetterBench的博客
09-02 6910
阳性（正）样例P和阴性（负）样例N，将正样本预测为正样本的为True positive（TP），正样本预测为负样本的为False negativ（FN），负样本预测为正样本的为False positive（FP），负样本预测为负样本的为True negative（TN）。反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。反映分类器或者模型正确预测负样本全度的能力，增加将负样本预测为负样本，即负样本被预测为负样本占总的负样本的比例。
误检率、查准率、查全率、漏检率计算公式
最新发布
weixin_44449857的博客
05-24 309
漏检率 = 假负例数 / ( 假负例数 + 真正例数)误检率 = 假正例数 / (假正例数 + 真负例数)精确率 = 真正例数 / (真正例数 + 假正例数)召回率 = 真正例数 / (真正例数 + 假负例数)
误检率和漏检率（笔记 自用）
weixin_45246566的博客
03-28 1388
在异常检测中我们更多的是关注事物的异常状态，所以将异常状态表示为正类，将正常状态表示为负类，如工业检测中划痕检测，显示屏有划痕是正类，没有划痕是负类。正确匹配为将正类识别为正类，将负类识别为负类，错误匹配为将正类识别为负类或将负类识别为正类。在计算机视觉项目的异常检测中，基本用这几个指标来衡量算法的性能好坏。正确率：A=(TP+TN)/(TP+TN+FP+FN)误检率：FPR=FP/(FP+TN)漏检率：FNR=FN/(FN+TP)
关于计算机视觉中异常检测的一些性能指标
计算机视觉算法开发与落地
09-12 2008
在计算机视觉项目的异常检测中，基本用这几个指标来衡量算法的性能好坏。 误检率：FPR=FP/(FP+TN) 漏检率：FNR=FN/(FN+TP) 正确率：A=(TP+TN)/(TP+TN+FP+FN) 名称 英文缩写 英文全称 误检率 FPR False Predicted Ratio 漏检率 FNR False Nega
自己写的计算图像滤波后噪声误检率和漏检率的matlab函数,有详细注释.
12-21
自己写的计算图像滤波后的噪声误检率和漏检率的matlab函数,有详细注释.应该是初学者想要的.
数字图像去噪(去雾)效果客观指标：PSNR、ISNR、MSE、误检率和漏检率算法
05-09
本算法代码用matlab实现，用于计算图像去噪效果客观指标：峰值信噪比，均方误差，漏检率、漏检率，信噪比改善因子等，代码带有注释。
【目标检测】YOLOv5：添加漏检率和虚检率输出
兴趣使然的创作者
08-07 1万+
在目标检测领域，衡量一个模型的优劣的指标往往是mAP，然而实际工程中，有时候更倾向于看漏检率和虚检率。YOLOv5的原始代码并没有这两个指标的输出，因此我想利用原始代码的混淆矩阵，输出这两个指标数值。.........
从false positive说起
热门推荐
shaoxiaohu的专栏
06-01 2万+
从目标检测的结果评测时，一直要与false positve, precision rate, recall rate这几个名词。总是在用的时候比较清楚这几个词的意思，但是时间一长，又给忘了。前几天跟师兄讨论这个问题，还是迷迷糊糊，模棱两可。决定干脆总结并记下来，以备不时之需。   这三个词的中文意思分别是：误检率（也可以被称作虚警率），查准率和查全率。它们是怎么通过计算得出，可以看下图：
基于深度学习的产品缺陷检测方法综述.pdf
08-18
传统的人工检测方法效率低，误检率及漏检率极高，而基于深度学习的缺陷检测技术可以有效改进。近五年来，深度学习在工业产品缺陷检测领域的研究成果取得了很大的进步。本文将对国内外深度学习及缺陷检测技术的研究...
基于深度学习特征的铸件缺陷射线图像动态检测方法.pdf
08-19
实验结果显示，基于深度学习特征匹配的方法在铸件缺陷图像动态检测中，误检率和漏检率均低于3%，缺陷检测准确率超过97%。这些数据证明了所提出方法的有效性和高精度。 关键词涵盖了铸件缺陷检测、射线图像、深度...
基于深度学习的视频检索方法研究.pdf
12-15
这样的处理有助于提高检索的准确性和效率，减少误检和漏检的可能性。 实验结果表明，结合MTCNN和FaceNet的深度学习方法在视频检索任务上表现出高准确率和快速响应，这为非线性编辑和其他需要快速定位视频内容的应用...
基于深度神经网络的行人及骑车人联合检测.pdf
09-26
本文主要探讨了深度学习在行人和骑车人检测中的应用，以及针对现有检测方法的不足所提出的改进策略。 深度神经网络（Deep Neural Network, DNN）因其在图像识别和分类任务上的强大能力，已经成为计算机视觉领域的...
基于深度学习的难分类样本行人检测方法.pdf
11-30
指出现有行人检测技术在处理某些特定场景时存在的挑战，即当行人的衣物颜色、纹理与背景混淆时，检测器可能会发生误检或漏检，降低了识别率。 在论文中，作者朱玉华和陆建峰首先采集了具有相似纹理的行人图片并进行...
实现yolov5漏检率与虚警次数指标计算并显示
sp7414的博客
04-20 6169
项目场景： 某场景下，输出目标漏检率和虚警次数 本项目包含两类红外目标UAV_S与UAV_L，分别对两类目标求漏检率和虚警次数并显示，最后求平均值后显示（实际上两类目标为对数据集进行分析后进行判断得到，实际只有一类目标UAV。以10×10像素为分界分类，有助于提升网络对红外大目标与小目标特征的学习） 可以看到在这张图像中有两个无人机目标，但二者特征差距巨大。通过数据分析，10×10像素以下的无人机目标没有轮廓信息，10×10以上的无人机目标可以看出旋翼等轮廓信息。 相关原理 基础概念 (1)P=Po
深度学习中，进行目标检测时降低误检率的可能方向汇总
Sanse_的博客
06-30 2031
一旦出现误报，用户就会点下这个按钮，然后这个按钮的bbox就被当成一个template，把他的feature保存下来，接下来3分钟内如果还有要报的bbox，拿2个feature做similarity，如果很similar，就直接ignore不报警。如果总是对某种类型的目标误检，可以增加一些相应的样本到训练集中去，提高模型的分辨能力，可以在不降低召回的情况下降低误检。正样本的数量远远小于负样本，这样训练出来的分类器的效果总是有限的，会出现许多false positive。
目标检测:FP(误检)和FN(漏检）统计
@bangbang的博客
03-27 1663
TP(正确检测),FP(误检),FN(漏检)， 尤其是针对复杂场景或者小目标检测场景中，会存在一些FP(误检),FN(漏检)。如何对检测的效果进行可视化，以帮助我们改进模型，提高模型recall值。步骤(1): 数据需要准备为yolo格式(2) 训练数据获得模型model(3) 利用训练的模型再测试集上预测，获得pred(4) 根据测试集的标签label与pred结果，分析FP和FN。
讨教大学|六西格玛之属性值数据一致性分析
讨教大学的博客
01-04 1386
相信大家在日常的工作中肯定会遇到这样一种情况：产品的质量特性属于外观特性，即 需要靠人工判断产品是不是符合标准。当遇到客户投诉，或者内部报废率比较高的时候，经。误判机会数： 假定待判定样品中有5 个良品；员工针对每个样品判断 2 次， 则误判机会 数为 5。误判率：对于每个测量者，将合格样品判断为不合格样品的比率，误判率=误判次数/误 判机会数。员工进行 2 次判断=20；误判机会数为 14 个良品。员工进行 2 次判断=20；误判机会数为 14 个良品。
vidi深度学习外观检测缺点
08-02
vidi深度学习外观检测技术是一种应用了深度学习算法的外观检测解决方案，可以用于检测和识别各种物体、人脸、文字等。虽然vidi深度学习外观检测技术在实践中表现出色，但仍存在一些缺点需要注意。 首先，vidi深度学习外观检测技术对硬件设备要求较高。由于深度学习模型具有复杂的网络结构和大量的参数，运行这些模型需要强大的计算和存储能力，因此在低配置的硬件设备上可能无法正常运行。 其次，vidi深度学习外观检测技术对数据集要求较高。深度学习模型的训练依赖于大量的标注数据，而且需要足够的多样性和代表性。如果提供给模型的数据集非常有限或者不具备代表性，可能导致模型的泛化能力较差，无法准确地进行外观检测。 另外，vidi深度学习外观检测技术在处理复杂场景时可能存在误检和漏检的问题。由于外观检测涉及到多种物体、人脸或文字，而且场景中可能存在遮挡、光照变化等干扰因素，深度学习模型可能会出现误判的情况。同时，对于一些特殊形态或低对比度的物体，模型可能会漏检或者无法识别。 最后，vidi深度学习外观检测技术在保护用户隐私方面也存在一些问题。由于深度学习模型需要对输入的数据进行处理和分析，可能会涉及到用户隐私信息的泄露。因此，在将该技术应用于实际场景中时，需要谨慎考虑隐私保护的问题。 综上所述，vidi深度学习外观检测技术虽然应用广泛且有很高的准确率，但仍然存在硬件要求高、数据集要求高、误检漏检问题以及隐私保护等方面的缺点。在实际应用时，需要根据具体情况进行权衡和改进。

“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 2
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