- 博客(6)
- 收藏
- 关注
RSS订阅原创 gee授权踩坑，无法登录，因为‘Earth Engine Notebook Client-XXXXXXXXXXXXXXX‘发送的请求无效
gee授权踩坑，无法登录，因为‘Earth Engine Notebook Client-XXXXXXXXXXXXXXX'发送的请求无效
2024-01-10 13:33:15
568
2
原创 MAP指标分析
在目标检测任务中，MAP通常用于衡量模型对多个目标类别的性能，而不仅仅是一个类别。通过计算每个类别的精确率-召回率曲线下的面积（Area Under the Precision-Recall Curve，AUC-PR），然后对所有类别的AUC-PR进行平均，得到MAP分数。这个指标结合了精确率（Precision）和召回率（Recall），用于衡量模型在不同类别目标上的检测准确性和覆盖率。因此，在目标检测中，MAP是一个重要的性能度量标准，用于比较不同模型或算法的效果，并帮助选择最佳的目标检测模型。
2023-09-12 16:36:44
152
原创 Accuracy（准确率）Precision(精准率）Recall(召回率） F1值
而在不同的模型中，侧重不同的评估指标，例如预测病人是否有病，那则不能放过一个病人，于是更看重召回率。当然也有一些领域更看重精准率，比如一些搜索引擎，为提高效率，更看重精准率，即你所搜到的就是你想要的。由于这两个指标侧重点不同，F1值便是精准率和召回率的调和。如图所示有一个分类器，可以预测是否为汉堡的图片。以上三个问题即对应了准确率，精确率和召回率。3.有多少张应该返回的图片没有找到？2.返回的图片中正确的有多少？1. 分类器到底分对了多少？
2023-09-12 15:26:41
89
原创 NOn Max Suppression（非最大值抑制）
非最大值抑制（Non-Maximum Suppression，简称NMS）是在计算机视觉和目标检测中常用的技术，用于后处理目标检测算法的结果，特别是在多个边界框（bounding box）被生成用于同一个物体的情况下。，当iou大于这个阈值的时候，我们就可以清理掉0.6的框，然后我们继续计算0.9的框和0.3的框的iou，这样一来，就可以清理掉这些边界框了。如图，我们有一个带有对象的图像，我们将获得该对象的一些边界框预测，我们希望有一种方法来清理这些边界框。
2023-09-12 11:16:10
309
原创 Union的交集解释和PyTorch实现
接下来介绍的是如何评估边界框预测，也就是我们现在有一个对象的一些目标边界框，而且我们还有一些相对应的预测边界框，我们希望有一些方法可以量化，或者测量我们的预测边界框的效果如何。为此我们将学习一个称为交并集的度量标准，然后我们还将再pytorch中实现它。
2023-09-11 22:42:22
125
原创 深度学习中的目标检测简介
为了理解对象检测，我们将从对象定位开始。对于一张图像，为了能够定位对象，我们首先要该对象是什么。在这种情况下是猫，我们还想为该特定对象提供一个边界框，然后说该边界框对应于一只猫，因此对象定位就是找到什么，以及在哪里，图像中存在单个对象，因此我们只能有一个对象。现在对象检测另一方面是查找图像中多个对象的内容和位置，以便进行图像分类（最简单的任务）。图像分类可能只想说出图像中的内容，但是对于对象定位中，我们还想说出该特定对象在图像中的位置。
2023-09-11 18:32:00
99
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人