图像检测经典的评估方式——PR曲线,ROC曲线
Keywords: PR curve, ROC curve, Machine Learning, image processing
为了帮助大家理解,比如我们需要检测一个图像中的人,分类器将图像上的每个像素划分为人和非人像素,目标是人,所以检测为人的像素用Positives表示,检测为非人的像素用Negatives来表示,检测到了需要报告,检测到不是需要拒绝,检测到了实际不是则为误报(错误地报告)或错检(非目标当成目标了),该检测到的没有检测到则为漏报或漏检
- True/False = 正确地/错误地
-
Positives/Negatives = 识别为目标/识别为非目标
这样就容易理解了: -
True positives (TP) = 正确地被识别为目标 的像素 (正确检出)
- False positives (FP) = 错误地被识别为目标 的像素(错检,报多了)
- True negatives (TN) = 正确地被识别为非目标 的像素 (正确拒绝)
- False negatives (FN) = 错误地被识别为非目标 的像素 (漏检,报少了)
这些参数是常用的评估方法的基础。通过这些参数的值我们可以计算出ROC空间和PR空间的一个点,多个图像就可以得到多个点,连成曲线就是所谓的ROC曲线和PR曲线。
-
ROC空间(面向真实结果Gound Truth)
横轴 False Positive Rate (FPR) = 非目标像素中错检为目标的比例(越小越好)
纵轴 True Positive Rate (TPR) = 目标像素中正确检出的比例(越大越好) -
PR空间(面向检测结果的正确性)
横轴 Recall = TPR 实际目标像素中正确检出的比例(越大越好)
纵轴 Precision = 检测出的目标像素中正确的比例,检测精度(越大越好)