之前1维CNN测量、卷积自编码器结构光和结合YOLO的点云和图像融合都有应用。最近要做地图点云语义分割,因此再学习下三维点云处理。之前有学习基本概念,今天主要加强了,以免以后年纪大了忘记。
先看下两个基本概念:
object detection:既有定位又有识别分类。
object recognition:只识别分类。
接下来在解释precision、recall之前先看主要的四个概念。positive(正)和negative(负)是你预测的结果,假设二元分类,预测猫是正,狗是负的话,预测猫就是positive,预测狗就是negative。而这里的true和false表示的是你预测是正确还是错误。比如,如果你预测一个物体是猫,这个物体本身就被标记为猫,则认为预测正确是true;相反,如果你预测一个物体是猫,这个物体本身就被标记为狗,则是false。那接下来看下图片,理解下四个参数的意义。还是用猫狗例子来解释。
TP:预测是猫,这个物体本身就被标记为猫;
FP:预测是猫,这个物体本身就被标记为狗(多元分类就是说不是猫);
FN:预测是狗(多元分类就是说不是猫),这个物体本身就被标记为猫;
TN:预测是狗(多元分类就是说不是猫),这个物体本身就被标记为狗;
再用自己理解描述下:
TP:本身为正类预测为正类;
FP:本身为非正类(负类)预测为正类;
FN:本身为正类预测为负类;
TN:本身为负类预测为负类;
接下来看下precision精确率和recall召回率:
precision=TP/(TP+FP);表示预测为正且准确的占预测都为正总数的比重。通俗的讲法是预测为正的样本中真正的正样本的比重。
recall=TP/(TP+FN);表示预测为正且准确的占样本总数的比重。通俗的讲法是它表示的是样本中的正例被预测正确的比重。