目标检测中的一些重要概念:
1.地面实况边界框 (ground-truth bounding box):这是真实的目标物体边界框,通常由人工标注或真实数据提供。
2.检测器输出的预测框 (predicted box):这是目标检测算法预测的目标边界框,通常用于识别潜在目标。
3.IOU (Intersection over Union):指地面实况边界框和预测框之间的交集与并集之比,用于衡量它们的重叠程度。
4.真阳性 TP (True Positive):当IOU大于门槛且预测的标签与实际标签一致时,表示检测器成功地找到了一个目标,这被称为真阳性。
5.假阳性 FP (False Positive):当IOU大于门槛但标签不一致时,表示检测器错误地认为找到了一个目标,这被称为假阳性。
6.假阴性 FN (False Negative):表示目标存在,但检测器未能找到目标,也称为漏报。
7.平均精度 AP (Average Precision)[31]:是一种用来评估目标检测器性能的指标,它基于TP、FP和FN的数量计算出来,反映了模型在不同阈值下的精确度和召回率的权衡。
这些概念是目标检测中的关键元素,用于评估算法的准确性和性能。
参考文献:
[1]Gong C ,Xiang Y ,Xiwen Y , et al. Towards Large-Scale Small Object Detection: Survey and Benchmarks.[J]. IEEE transactions on pattern analysis and machine intelligence,2023,PP.
[31] M. Everingham, L. Van Gool, C. K. Williams, J. Winn, and A. Zisserman, “The pascal visual object classes (voc) challenge,”IJCV, vol. 88, no. 2, pp. 303–338, 2010.