图像识别中的P-R曲线是如何产生的-Effective DeepLearning

最新推荐文章于 2024-02-24 14:02:39 发布
VIP文章 最新推荐文章于 2024-02-24 14:02:39 发布
阅读量1.3k 收藏 2
点赞数 1
分类专栏： AI
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/lzcong1986/article/details/86592649
版权

在做图像分类和标注的模型的时候，发现大家对其中一个评价指标P-R曲线图的生成比较疑惑，这里就想跟大家探讨一下我自己的理解。

做过图像分类和图像标注的小伙伴都会晓得下面两个图

一，这个是描述一个分类的P准确率（简单理解就是模型出这个结果会有多少的概率是可以相信这个结果的）和R召回率（就是你放一个这个分类进去模型做预测它出来的结果有多少概率是可以相信的）的计算方式，还有就是F1-scroe的计算方式（也有小伙伴说这只是二分类的计算方式，但是即使你的模型有几千分类，其中一个分类的这些指标，相对于其他分类之间他们也是形成了一个类似二分类的情况）

二，然后很多的书籍或者文章就立刻会介绍，在模型训练完成后从上面的P和R就可以得到下面的P-R曲线图。这使得很多刚刚接触的小伙伴（当然包括我/(ㄒoㄒ)/~~）很是疑惑为什么上面只是一个值，在图片里面顶多是一个点，怎么能得到下面的曲线呢（这个图只是拿来做例子，具体的数据不一定准确。例如当R为0，P应该也为0因为图一中的A已经为0了，现在大量的文章都是这样导致新手们看得痛苦，然后就死在起跑线上了）

最低0.47元/天 解锁文章
耳总21
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率
12-23
我用的是Anaconda3 ，用spyder编写pytorch的代码，在Anaconda3中新建了一个pytorch的虚拟环境（虚拟环境的名字就叫pytorch)。 以下内容仅供参考哦~~ 1.首先打开Anaconda Prompt，然后输入activate pytorch，进入pytorch. 2.输入pip install tensorboardX，安装完成后，输入python，用from tensorboardX import SummaryWriter检验是否安装成功。如下图所示： 3.安装完成之后，先给大家看一下我的文件夹，如下图： 假设用LeNet5框架识别图像的准确率，LeN
分类任务评估2——推导ROC曲线、P-R曲线和K-S曲线
LMTX069的博客
06-30 1377
本文推导只借助2个最基础的工具包，不使用任何sklearn的模块
图纸坐标数据识别导出工具PointTool(SWJTU-SRTP)
最新发布
ZHIYU0707的博客
02-24 784
本工具旨在提高建筑行业二次翻模坐标数据导入的效率，便于建模人员通过该工具识别图纸上的坐标数据，存入表格文件，方便后续导入点云以及使用可视化编程软件（如：Grasshopper,Dynamo 等）进行精确建模翻模操作。
机器学习——P-R曲线的绘制
m0_59706452的博客
11-06 2336
PR曲线
P-R曲线是什么
pythondby的博客
12-12 3844
在分类时，我们经常需要对学习模型的预测结果进行排序，排在前面的被认为“最可能”是正类样本，排在后面的被认为“最不可能”是正类样本。因此我们往往要在中间设定一个临界值（Threshold），当预测值大于这个临界值时，样本为正类样本，反之为负类样本。 按不同的临界值，将每个样本作为正类样本来预测，就会得到不同的查准率和查全率。如果以查准率为纵轴，以查全率为横轴，那么每设定一个临界值，就可以在坐标系上画出一个点。当设定多个临界值时，就可以在坐标系中画出一条曲线。这条曲线便是 P-R 曲线，如图 1 所示。
P-R曲线的绘制
热门推荐
weixin_55773387的博客
10-20 1万+
“p” 是precition，是查准率，也是我们常用到的准确率。 “r” 是recall，是查全率，也叫召回率。
Hands-on Rust Effective Learning through 2D Game Development and
03-02
Hands-on Rust Effective Learning through 2D Game Development and Play (通过2D游戏开发和游戏实践有效学习rust) 2021 源代码
effective-java-3rd-chinese
05-24
effective-java-3rd-chinese前51条：文章翻译来源地址：about this repository本来以为只是个直接搬运的活，实际上不是。主要工作如下：改进排版，原有博文排版不太优秀，根据markdown 排版指北重新排版。内容修改，...
单片机与DSP中的Holtek 八位Cost-Effective I/O型微控制器
12-09
HT48R062 是Holtek新推出的 Cost-Effect I/O Type 8-Bit OTP MCU。规格包含有1K OTP ROM程序内存、32 byte Data RAM、13 I/O Pin，并具备唤醒、看门狗(WDT)、低电压复位 (LVR) 等功能。 另外Oscillator则具备有外部...
learn-an-effective-lip-reading-model-without-pains:“学习无痛的有效唇读模型”中的PyTorch代码和模型（https
05-05
在此存储库中，我们提供了深入的口述管道以及预训练的模型和训练设置。 我们根据和LRW1000数据集评估我们的管道。 我们分别在LRW和LRW-1000上获得88.4％和56.0％的收益。 结果是可比的，甚至超过了当前的最新结果。...
Effective_STL.rar_Effective-STL_effective STL
09-24
经典的Effective STL教程，介绍STL的用法
effective-go-zh-en.pdf
06-22
effective-go-zh-en.pdf
effective-go-zh-en-gitbook.rar
02-17
effective-go-zh-en-gitbooke
Effective-Objective-C-2.0-Source-Code:Effective-Objective-C-2.0随书
05-31
#这是我在学习Effective Objective-c 的时候发现没有源码，而且书本上的源码也很随意，我在学习这本书的时候随书敲得源代码。希望对学习这本书籍的程序员有一点帮助。 Effective-Objective-C-2.0-Source-Code ###...
leetcode中国-effective-learning:有效学习
06-29
Effective Learning 快速学习法：一年搞定MIT计算机课程 斯考特的FAQ页面 计划 表头 1 2 3 4 运动 健身 刷脂 篮球 羽毛球 游泳、跑步 拳击 学习 通信 算法 产品 后端 单片机 OS 托福 日语 兴趣 吉他 游戏 画画 Daily...
effective-csharp.pdf
05-27
effective-csharp
如何绘制P-R曲线
weixin_55747326的博客
11-04 766
PR曲线中P指Precision表示查准率，R指Recall表示查全率或者是召回率。FP指的是被错误标记成正样本的负样本数。FN表示被错误标记成负样本的正样本数。其中TP表示正确分类的正样本数。TN指的是正确分类的负样本数。
每天五分钟机器学习：通过查准率和召回率绘制P-R曲线
huanfeng_AI的博客
10-28 883
之前的一篇文章中，我们学习了查准率和召回率。根据查准率和召回率可以绘制P-R曲线。
[教程]CNN图像分类识别+数据集制作+训练模型+预测图片+绘制准确率和loss曲线图
分享知识
03-19 6951
这个专栏更新各种AI，以及各种有趣的教程，有兴趣的小伙伴可以订阅一下。 首先是图片的搜集，方法无非两种 一是开源的数据集，直接拿来用，另一种就是自己搜集图片制作数据集。 这里我们可以通过爬虫，或是自己通过其他途径获取数据，我这里以水果识别为例子 爬虫搜集5种水果各若干，放在data/各个水果文件夹下。 比如草莓这个图片是这样的，我们只.
Write a paper about Deep-learning based analysis of metal-transfer images in GMAW process
02-16
Abstract: Gas metal arc welding (GMAW) is a widely used welding process in various industries. One of the significant challenges in GMAW is to achieve optimal welding parameters and minimize defects such as spatter and porosity. In this paper, we propose a deep-learning-based approach to analyze metal-transfer images in GMAW processes. Our approach can automatically detect and classify the different types of metal-transfer modes and provide insights for process optimization. Introduction: Gas metal arc welding (GMAW) is a welding process that uses a consumable electrode and an external shielding gas to protect the weld pool from atmospheric contamination. During the GMAW process, the metal transfer mode affects the weld quality and productivity. Three types of metal transfer modes are commonly observed in GMAW: short-circuiting transfer (SCT), globular transfer (GT), and spray transfer (ST). The selection of the transfer mode depends on the welding parameters, such as the welding current, voltage, and wire feed speed. The metal transfer mode can be observed using high-speed imaging techniques, which capture the dynamic behavior of the molten metal during welding. The interpretation of these images requires expertise and is time-consuming. To address these issues, we propose a deep-learning-based approach to analyze metal-transfer images in GMAW processes. Methodology: We collected a dataset of metal-transfer images using a high-speed camera during the GMAW process. The images were captured at a rate of 5000 frames per second, and the dataset includes 1000 images for each transfer mode. We split the dataset into training, validation, and testing sets, with a ratio of 70:15:15. We trained a convolutional neural network (CNN) to classify the metal-transfer mode from the images. We used the ResNet50 architecture with transfer learning, which is a widely used and effective approach for image classification tasks. The model was trained using the categorical cross-entropy loss function and the Adam optimizer. Results: We achieved an accuracy of 96.7% on the testing set using our deep-learning-based approach. Our approach can accurately detect and classify the different types of metal-transfer modes in GMAW processes. Furthermore, we used the Grad-CAM technique to visualize the important regions of the images that contributed to the classification decision. Conclusion: In this paper, we proposed a deep-learning-based approach to analyze metal-transfer images in GMAW processes. Our approach can automatically detect and classify the different types of metal-transfer modes with high accuracy. The proposed approach can provide insights for process optimization and reduce the need for human expertise in interpreting high-speed images. Future work includes investigating the use of our approach in real-time monitoring of the GMAW process and exploring the application of our approach in other welding processes.

“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
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