视觉显著性检测——PR曲线

最新推荐文章于 2023-10-22 10:39:00 发布
最新推荐文章于 2023-10-22 10:39:00 发布
阅读量1w 收藏 59
点赞数 9
分类专栏： 显著性检测 文章标签： 显著性检测 PR曲线
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/sherryliang/article/details/71537570
版权
本文介绍了视觉显著性检测中使用PR曲线评估算法性能的重要性。PR曲线以查全率为x轴，查准率为y轴，用于直观展示学习器的性能。文章详细解释了查准率和查全率的概念，并提供了MSRA-1000数据集的实例，描述了如何计算不同阈值下的查准率和查全率，以及最终绘制PR曲线的过程。
摘要由CSDN通过智能技术生成

         最近在做关于视觉显著性相关的算法，视觉显著性检测的算法跟大多数依靠准确率（Precision）去衡量算法（例如人脸识别，是否识别正确）优劣有一些区别，它依靠的是PR曲线去判断哪个算法更胜一筹。因为我做完显著性检测算法想要对这个算法进行对比的时候也查到了很多相关P-R曲线的代码，但似乎都不太能运行（可能很大程度上是因为我对它们输入变量和一些matlab的高级功能不了解），并且考虑到PR曲线的原理还是很容易实现的，所以自己动手写了一版我认为蛮简洁易懂的偷笑，希望有缘人能搜到也能用的方便。

       PR曲线即查准率（Precision）与查全率（Recall），以查全率为坐标x轴，查准率为坐标y轴，从而画出了一条曲线。


        P-R图直观地显示出学习器在样本总体

最低0.47元/天 解锁文章
sherryliang
关注
  • 9
    点赞
  • 踩
  • 59
    收藏
    觉得还不错? 一键收藏
  • 17
    评论
专栏目录
显著性检测PR曲线
06-08
显著性检测中画PR曲线的代码，需要自己生成的显著图和Ground Truth。
显著性目标检测模型评价指标（二）——PR曲线
热门推荐
乐乐lelele的博客
03-19 2万+
显著性目标检测模型评价指标 之 PR曲线原理与实现代码 目录 显著性目标检测模型评价指标 之 PR曲线原理与实现代码 目录 一、PR曲线原理 计算方法 阈值选取 二、Matlab代码 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 参考文献 一、PR曲线原理 在显著目标提取中（关于视觉显著性的简要介绍点此处链接），PR曲线是用来评...
python 实现显著性检测_【人脸】人脸检测与对齐python实现
weixin_39833763的博客
11-27 301
最近在实现Pairwise Relational Networks for Face Recognition论文，预处理人脸时发现资料没那么好找，现整理成jupyter文档方便回顾。预处理的总体流程：人脸关键点检测根据眼部关键点旋转图片做人脸对齐旋转人脸关键点，使其与对齐后的图片匹配根据关键点裁剪人脸到固定尺寸（此步骤和PRN论文略有不同）变换人脸关键点，使其与裁剪后的图片匹配1 Importsi...
论文研究-基于图的流形排序的多层级融合显著性目标检测 .pdf
08-27
基于图的流形排序的多层级融合显著性目标检测，李翠萍，陈振学，针对基于图的流形排序的显著性目标检测方法在突出显著性物体和抑制背景方面的不足，提出一种基于图的流形排序的多层级融合显著性
视觉的显著性
Touch_Dream的博客
10-24 2144
1、先要明白什么是视觉的显著性。我们人眼在看一幅场景的时候，首先会被该场景中最‘刺眼’或者最‘引人注目’的某一个局部所吸引，虽然该过程对我们来说瞬间发生，再简单不过了，但这个过程要想明白到底发生了什么其实还是挺麻烦的。这个局部就是该视觉场景中最显著的区域。所以视觉显著性检测其实就是让计算机模拟人或灵长类生物在这一瞬间所做的工作，即如何从一整幅视觉场景中找到最‘引人注目’的局部。 2、明白了什
显著性检测方法FT
Unique-You的博客
06-06 8803
该方法从频率角度分析图像。详细算法见点击打开链接 图像在频率域可以分成低频部分和高频部分。低频部分反映了图像的整体信息，如物体的轮廓，基本的组成区域。高频部分反映了图像的细节信息，如物体的纹理。显著性区域检测用到的更多的是低频部分的信息。在实际进行计算时，FT方法使用窗口5*5的高斯平滑来实现对最高频的舍去。像素的显著性可以用下面公式计算： 其中，Iu为图像的平均特征，使用Lab颜色特
显著性检测——GR模型
JERRY6066的博客
02-22 6479
显著性检测——GR模型1. Introduction2. Saliency Model2.1 Initial Saliency Map2.2 Saliency Map Refining With Graph Regularization3. Experiments4. Conclusion 本人最近在做视觉显著性检测相关的工作，决定把自己的学习经历形成文字，希望对读者有所帮助。 笔者才疏学浅，文章...
显著性目标检测——Selectivity or Invariance: Boundary-aware Salient Object Detection（BANet）
spellindover的博客
08-01 1132
文章目录摘要简介SOD存在的关键问题SOD模型目前的困境基于图像的SOD连续扩张的边界感知网络设计基本思路主要工作总结具体方法分析共同特征提取具有三个流的边界感知SOD边界定位流内部感知流过渡补偿流集成式连续扩张模块（Integrated Successive Dilation Module，ISD）实验结果 摘要 通常，显著物体检测模型（SOD）在处理物体内部和边界时面临相反的要求。内部特征应不随强烈的外观变化而变化，以便从整体上弹出突出的对象，而边界的特征应对轻微的外观变化具有选择性，以区分突出的对象和
目标检测YOLO实战应用案例100讲-基于深度学习的显著性目标检测（论文篇）
qq_36130719的博客
05-12 903
显著性目标检测着重于显著性目标这几个字，重点在于目标是显著的，显著性目标变为白色，而背景全部变为黑色，类似于图像分割，但是显著性目标检测一般只检测一个显著性目标，也不会涉及到该显著性目标的分类问题（即该目标是人还是狗）。总体来说是一个像素二分类的问题（背景or显著性目标）。挖掘更为合理、更能反映真实场景的数据集一直都是研究人员尝试提升基于深度学习的显著性目标检测模型精度的一个努力方向。本小节主要介绍3个研究分支的主流数据集：RGB分支的数据集。
显著性目标检测之Stacked Cross Refinement Network for Edge-Aware Salient Object Detection
qq_43633455的博客
08-02 1180
文章目录摘要网络详解特征提取Cross Refinement UnitCRUPoint-to-Point styleSet-to-Point Style.Selective Set-to-Point Style.损失函数实验结果Ablation Analysis对比总结 摘要 现状：现有的算法大多集中于聚合预训练的卷积神经网络的多层次特征。此外，一些人尝试利用边缘信息进行辅助训练。而现有的边缘感知模型设计的是单向框架，仅利用边缘特征来改善分割特征。 提出新框架：作者研究了二值分割与边缘映射之间的相互关系，指.
深度学习tracking学习笔记(2)：图像/视觉显著性检测技术发展情况梳理(Saliency Detection、Visual Attention）
Focusing on your own Mind :) －> 站在巨人的肩膀上
06-23 1万+
reference: http://blog.csdn.net/anshan1984/article/details/8657176 http://blog.csdn.net/huangbo10/article/details/19788547?utm_source=tuicool&utm_medium=referral 关于显著度的研究是从生物研究发展而来，早期比较重要的工作是C.Ko
计算机视觉中各个评价指标的含义
m0_46339652的博客
05-05 3409
这里写目录标题一级目录一.图像分类二.目标检测评价指标Confidence(置信度)三.目标检测 一级目录 一.图像分类 Column 1 相关(Relevant),正类 无关(NonRelevant),负类 被检索到(Retrieved) true positives(TP 正类判定为正类,例子中就是正确的判定"这位是女生") false positives(FP 负类判定为正类,“存伪”,例子中就是分明是男生却判断为女生,当下伪娘横行,这个错常有人犯) 未被检索到(Not Retri
PR曲线、ROC曲线的原理以及在python的实现
qq_64337860的博客
10-22 1170
ROC曲线和PR曲线都是评价分类模型的性能的常用工具。ROC曲线（Receiver Operating Characteristic）以真正率(True Positive Rate)为纵坐标，假正率(False Positive Rate)为横坐标，描述了正负样本判定阈值的变化如何影响分类器的性能。ROC曲线可以直观地展示出不同阈值下分类器的性能，同时考虑到了真正率和假正率之间的平衡关系，适用于正负样本不平衡的情况。ROC曲线下面积(AUC)越大，分类器性能越好。
模式识别PR和模式的概念
松子茶的专栏
04-05 5617
模式识别这个词就显得陌生而难以理解了。确切地说，模式识别在这里是针对让计算机来判断事物而提出的，如检测病理切片中是否有癌细胞，文字识别，话语识别，图像中物体识别等等。该学科研究的内容是使机器能做以前只能由人类才能做的事，具备人所具有的、对各种事物与现象进行分析、描述与判断的部分能力。所见的具体事物是样本，而它们所属的事物类别，代表这些事物的“概念”是模式.
目标检测Object Detection下的P-R曲线，AP，mAP，AUC，ROC曲线详解
catscanner的博客
12-22 8067
目录P-R曲线APmAP P-R曲线 上篇文章我们详细说了一下Detection中的Recall和Precision的计算，P-R曲线就是Precision和Recall画出的曲线。 AP mAP
显著性检测数据集之——眼动预测
weixin_43925119的博客
11-07 7426
本文收集的显著性检测数据集包含两个部分：人眼关注点预测数据集（fixation prediction datasets）和显著物体检测数据集（salient object detection datasets）。 1.fixation prediction datasets： (1) MIT300数据集 2012年, 麻省理工的Judd等人建立了MIT300数据集.该数据集包含了300张自然图像以及39名观测者的眼动数据, 是图像人眼关注点检测领域影响力最大、使用最广泛的数据集.该数据集得以广泛应用的原因是
显著性检测评价指标
ReaFly的博客
12-18 4612
1.P-R曲线（Precision查准率, Recall查全率） M为二值化的显著预测图，G为Ground Truth. 通过设置阈值得到二值化的显著预测图M，通过上式计算得到一对Precision,Recall（所有图片的P，R取平均）。阈值取值为0~255.这样，不同的阈值，对应不同的P-R对，总共有256个P-R对。以P为纵坐标，R为横坐标，构成P-R曲线。 参考 https://blog...
显著性目标检测的PR曲线
最新发布
03-03
显著性目标检测的PR曲线是评估该任务性能的一种常用方法。PR曲线是根据不同的阈值绘制的，横轴表示召回率（Recall），纵轴表示精确率（Precision）。 精确率是指在所有被分类为正例的样本中，真正例的比例。召回率是指在所有真正例中，被正确分类为正例的比例。 在显著性目标检测中，PR曲线可以通过以下步骤得到： 1. 首先，根据模型对图像进行预测，得到每个像素的显著性分数。 2. 然后，根据不同的阈值将显著性分数转化为二值图像，得到不同的预测结果。 3. 接下来，计算每个预测结果的精确率和召回率。 4. 最后，根据不同的阈值绘制PR曲线。 PR曲线可以帮助我们评估显著性目标检测模型在不同阈值下的性能表现。通常情况下，我们希望模型能够在较高的精确率下保持较高的召回率。
评论 17
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值