多目标跟踪评价指标IDF1的计算方式以及例子

最新推荐文章于 2024-02-26 12:24:34 发布

Wu_ssss

最新推荐文章于 2024-02-26 12:24:34 发布

阅读量1.9k

点赞数 5

文章标签：目标跟踪人工智能计算机视觉

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/qq_46761147/article/details/131711758

版权

本文介绍了IDF1作为多目标、多摄像头跟踪性能衡量标准的计算方法。通过详细解释IDTP（正确匹配的ID次数）、IDFP（错误分配的ID次数）和IDFN（未被分配的ID次数）的概念，以及如何从跟踪结果中获取这些值，展示了如何计算IDF1。文中给出了具体示例，帮助理解这个计算机视觉领域的追踪指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

IDF1出处：Performance Measures and a Data Set for Multi-Target, Multi-Camera Tracking

看了很多博客，对IDF1的计算都语焉不详，计算例子很少，而且出奇地一致--IDFP居然与IDFN相同，怪哉。翻看IDF1的出处，虽然不理解，但大概会算了。

IDF1的计算公式：

$IDF_1=\frac{2IDTP}{2IDTP+IDFP+IDFN}$

单单看IDTP、IDFP、IDFN，名字直译过来也不知道是什么意思，更别说应该怎么算了。根据论文原文的定义：

光看式子看不懂，再往上翻翻文字描述：

好了，现在知道IDTP是ID正确的次数了，但 $\tau$ 、 $\gamma$ …分别是什么呢？再往上翻翻：

看来 $\sum_{\tau\in AT} len(\tau)$ 是ground truth中轨迹包含的ID个数，也就是ground truth中轨迹持续的帧数； $\sum _{\gamma\in AC} len(\gamma)$ 则是跟踪结果中轨迹包含的ID个数，即跟踪结果中轨迹持续的帧数。其他的没咋看懂，但是计算好像够用了。在跟踪结果中， $\sum_{\tau\in AT} len(\tau)$ 、 $\sum _{\gamma\in AC} len(\gamma)$ 和IDTP比较容易得到，根据式（8）可以计算得到IDFN、IDFP，因此可进一步计算得到IDF1。

举个例子，实际跟踪的时候，边界框的个数可能大于、等于、小于ground truth的个数

GT 1 1 1 1 1 1 1 1 1

Track1 1 1 2 2 2 3 1 1 1 1

Track2 1 2 2 2 1 1 3 1 1

Track3 1 1 1 2 2 1 1 1

对于track1：

IDTP = 5

$\sum_{\tau\in AT} len(\tau)$ = 9

$\sum _{\gamma\in AC} len(\gamma)$ = 10

IDFN = $\sum_{\tau\in AT} len(\tau)$ - IDTP = 4

IDFP = $\sum _{\gamma\in AC} len(\gamma)$ - IDTP = 5

IDF1 = 2*5/(2*5+4+5) = 10/19

对于track2：

IDTP = 5

$\sum_{\tau\in AT} len(\tau)$ = 9

$\sum _{\gamma\in AC} len(\gamma)$ = 9

IDFN = $\sum_{\tau\in AT} len(\tau)$ - IDTP = 4

IDFP = $\sum _{\gamma\in AC} len(\gamma)$ - IDTP = 4

IDF1 = 2*5/(2*5+4+4) = 10/18

对于track3：

IDTP = 6

$\sum_{\tau\in AT} len(\tau)$ = 9

$\sum _{\gamma\in AC} len(\gamma)$ = 8

IDFN = $\sum_{\tau\in AT} len(\tau)$ - IDTP = 3

IDFP = $\sum _{\gamma\in AC} len(\gamma)$ - IDTP = 2

IDF1 = 2*6/(2*6+3+2) = 12/17

最后，可以将IDTP、IDFP、IDFN的关系用交集差集的方式表达出来：

计算机视觉小白一枚，欢迎大家批评指正，一起交流 ~

博客等级

码龄5年

1
原创

5
点赞

7
收藏

0
粉丝

关注

私信

热门文章

多目标跟踪评价指标IDF1的计算方式以及例子 1951

最新评论

多目标跟踪评价指标IDF1的计算方式以及例子
再吃一口就睡觉: 思路很棒呀，理解了！！！
多目标跟踪评价指标IDF1的计算方式以及例子
大模型研究僧: 你这个是不对的,我去查了原论文,有一段话是这么说的: Once this choice is made, we measure the number of frames over which the tracker is wrong—in the example, the number of frames of A that are not matched to 1. In Figure 1, this measure makes (a) and (b) equally good, and (c) better than either. This penalty is consistent because it reflects precisely what the choice made above maximizes, namely, the number of frames over which the tracker is correct about who is where. In (a) and (b), the tracker matches ground truth 67% of the time, and in (c) it matches it 83% of the time. 意思是相邻帧没变动的情况下,为tp
多目标跟踪评价指标IDF1的计算方式以及例子
Chris__R: 谢谢博主，这个指标一直不知道怎么算，直接当成TP,FP来算了，导致性能提升微乎其微

大家在看

华为OD机试 2025B卷 - 版本管理 (2025B卷 100分)

最新文章

目录

展开全部

收起

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。