目标检测所有评价指标

最新推荐文章于 2024-06-06 10:31:45 发布

chen_gong_ping

最新推荐文章于 2024-06-06 10:31:45 发布

阅读量3.1k

点赞数 3

分类专栏：目标检测目标检测评价指标文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/chen_gong_ping/article/details/107539846

版权

目标检测同时被 2 个专栏收录

1 篇文章 0 订阅

订阅专栏

目标检测评价指标

1 篇文章 0 订阅

订阅专栏

一、混淆矩阵

混淆矩阵(Confusion matrix)：

		Actual class
		Positive	Negative
Predicted class	Positive	Positive True Positive (TP)	False Positive (FP)
Predicted class	Negative	False Negative (FN)	True Negative (TN)

True Positive (TP)：将正样本预测为正（真正）

True Negative (TN)：将负样本预测为负（真负）

False Positive (FP)：将负样本预测为正（假正）→ 误报 (Type I error)

False Negative (FN)：将正样本预测为负（假负）→ 漏报 (Type II error)

TP+TN:所有预测正确的样本

TP+FP:所有预测为正的样本

TP+FN:所有实际为正的样本（所有正样本，即Ground Truth，GT）

TP+TN+FP+FN:所有样本

二、Accuracy、Precision、Recall、F-measure、mAP

1.准确率(Accuracy)：预测正确的样本占总样本的百分比

虽然准确率可以判断总的正确率，但是在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在总样本中，正样本占90%，负样本占10%。对于这种情况，只需要将全部样本预测为正样本即可得到90%的高准确率。

$A(accuracy) =\frac{TP+TN}{TP+TN+FP+FN}$

2.精确率(Precision)，又称为查准率：被正确预测的正样本占所有检出(预测为正)样本的百分比例，是针对预测结果而言的

$P(precision)=\frac{TP}{TP+FP}$

3.召回率(Recall)，又称为查全率：被正确预测的正样本占所有正样本(Ground Truth)的比例，是针对原样本而言的

$R(recall)=\frac{TP}{TP+FN}$

注:Precision和Recall是矛盾的

4.漏检率、漏警率(Missing Alarm)

$FNR=1-R=1-\frac{TP}{TP+FN}=\frac{FN}{TP+FN}$

5.虚警率(False Alarm)：被预测为正的负样本占所有负样本的比例

$FPR=\frac{FP}{TN+FP}$

6.F值(F-measure)：precision和recall的加权调和平均

$F-measure=(1+\ss^{2} )\frac{P\ast R }{\ss^{2} \ast P+R}$

当β=1时，称为F1-Score

7.平均精度(Average Precision, AP)：精确率-召回率曲线(Precision-Recall Curve)下的面积:

$AP(average precision)=\frac{\sum P}{N(TotalImages)}$

备注：每一个类别在所有测试图像上的平均值。

计算方法：https://www.zhihu.com/question/53405779/answer/782079941

代码：https://github.com/facebookresearch/Detectron/blob/master/detectron/datasets/voc_eval.py

8.mAP：对每个class的AP求平均

$mAP(average precision)=\frac{\sum AP}{N(TotalClasss)}$

备注：在所有测试图像上对每一个类别的AP进行求和平均。

三、Sensitivity、Specificity、TPR、FPR、ROC、AUC

1.灵敏度(Sensitivity)等于召回率(Recall)

$Sensitivity=R=\frac{TP}{TP+FN}$

2.特异度(Specificity)

$Specificity=\frac{TN}{TN+FP}$

备注：相当于对Negative样本的一个Recall的定义。

3.真正率(TPR)

$TPR=Sensitivity=R=\frac{TP}{TP+FN}$

4.假正率(FPR)

$FPR=1-TPR=\frac{FP}{TP+FP}$

chen_gong_ping

关注

3
点赞
踩
36

收藏

觉得还不错? 一键收藏
0
评论
目标检测所有评价指标

一、混淆矩阵混淆矩阵(Confusion matrix)： Actual class Positive Negative Predictedclass Positive Positive True Positive (TP) False Positive (FP) Negative False Negative (FN) True Negative (TN) True Positive (TP)：将正样本预测为正（真正）...
复制链接

扫一扫