图像检索评价指标：PR曲线的计算与绘制

最新推荐文章于 2024-06-26 14:41:46 发布

/home/liupc

最新推荐文章于 2024-06-26 14:41:46 发布

阅读量3.7k

点赞数 2

分类专栏： 11 Python/DL/ML 文章标签： PR曲线

本文链接：https://blog.csdn.net/pengchengliu/article/details/123648241

版权

本文详细探讨了图像检索中常用的评价指标——PR曲线。PR曲线通过结合查准率(Precision)和查全率(Recall)展示了不同阈值下的系统性能。文章深入解释了如何计算和绘制PR曲线，并提供了实际操作步骤，帮助读者理解和应用这一关键评估工具。

摘要由CSDN通过智能技术生成

# @file name  : test2.py
# @brief      : 如何绘制PR曲线
# @author     : liupc
# @date       : 2021/8/2

import numpy as np
from tqdm import tqdm
import matplotlib.pyplot as plt


#计算汉明距离。有几位不同，距离就为几。
def CalcHammingDist(B1, B2):
    q = B2.shape[1]
    distH = 0.5 * (q - np.dot(B1, B2.transpose()))
    return distH


draw_range = [1,2,3,4,5,6,7]

def pr_curve(rF, qF, rL, qL, draw_range=draw_range):
    #rf：galleryBinary
    #qF: queryBinary
    #rL: galleryLabel。7行3列。
    #qL: queryLabel。3行3列。

    n_query = qF.shape[0]   #多少个查询，3
    Gnd = (np.dot(qL, rL.transpose()) > 0).astype(np.float32)
    '''
    print(Gnd)  #是一个3行7列的数组。第一行代表gallery的7个元素是否与query[0]同类；第二行代表gallery的7个元素是否与query[1]同类。。。
    [[0. 1. 1. 0. 0. 0. 1.]    #gallery[0]与query[0]不同类；gallery[1]与query[0]同类；gallery[2]与query[0]同类；gallery[3]与query[0]不同类。。。
     [1. 1. 1. 0. 1. 0. 1.]
     [0. 0. 1.