三维点云学习--深度学习precision、recall

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。