2012-05-10 FPN目标识别评价指标之精确度与召回率

利用RSDDs数据集做二分类，有缺陷的defects为正样本，background为负样本

分类系统的最终目的：能识别出测试集中所有缺陷，那么缺陷是正例，背景是反例

 

TP、TN、FP、FN

True positives : 缺陷的图片被正确识别成了缺陷。
True negatives: 背景的图片被正确识别为背景。
False positives: 背景的图片被错误识别为缺陷。（负错误的识别为正样本）
False negatives: 缺陷的图片被错误识别为背景。（正错误的识别为负样本）

 

精确度Precision与召回率recall

precision是在被识别的图片中，True positive所占的比率：

其中的n代表的是(True positives + False positives)，也就是系统一共识别出来多少缺陷 。

 

Recall 是被正确识别出来的缺陷个数与测试集中所有缺陷的个数的比值：

Recall的分母是(True positives + False negatives)，这两个值的和，可以理解为测试集中一共有多少个缺陷。

 

precision高：代表识别出的缺陷中的确是缺陷的占比很大，没有敏感到把很多不是缺陷的地方圈出为缺陷。（捕获的成果中目标成果占比高）

recall高：代表召回率高，识别出的缺陷在测试集中的占比很大，把测试集中绝大部分缺陷都圈出来了。             （捕获的目标成果在测试集中占比很高）

===》夏目漱口去河边上抓捕鱼，

precision高：夏目漱口撒下的渔网中捕获的鱼很多，螃蟹、龙虾、垃圾等等其他东西很少；

recall高：整条河里的鱼几乎都钻进了夏目漱口的渔网中，但是不排除渔网中有很多螃蟹、龙虾；

一般来说，recall和precision是相互矛盾的，你想抓尽河里所有的鱼，就很容易将河里其他的东西装进渔网，所以一般会牺牲少量的精确度来提高召回率。