【目标检测】miss rates和FPPI曲线记录

最新推荐文章于 2024-01-02 15:29:42 发布
最新推荐文章于 2024-01-02 15:29:42 发布
阅读量2.4k 收藏 2
点赞数
分类专栏： 目标检测
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/weixin_38705903/article/details/105611085
版权

本文已经不更新了，请移步至最新的文章：【行人检测】miss rate versus false positives per image (FPPI) 前世今生

===========================================================================================

最早提出FPPI概念的论文：Pedestrian Detection: A Benchmark

其实miss rates和FPPI是共同画出来的，图的名字叫做：Miss rates versus false positive per-image curves
在这里插入图片描述

过去方法的缺陷

大多数作者比较每个窗口的性能（即False Positive Per−Window，FPPW）。然而，在实践中，每个窗口的性能可能无法预测每个图像的性能。

因此提出基于每一张图片的评估方法

曲线越低表示性能越好
legends中的数字表示每一种算法在1 FPPI时候的miss rates

Vincent__Lai
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
miss rate versus false positives per image(FPPI)绘制代码
11-13
本文件用于绘制miss rate versus false positives per image(FPPI)曲线 使用方法参考：https://blog.csdn.net/weixin_38705903/article/details/109654157
一起理解指标ACC、Precision、Recall、F1、FPPI、MissRate(MR)、Macro-F1、Micro-F1
SpaceSunflower 's ML/DL home
12-05 1595
【一起理解指标】ACC、Precision、Recall、F1、FPPI、MissRate(MR)、Macro-F1、Micro-F1
【机器学习】准确率、精确率、召回率、误报率、漏报率概念及公式
BetterBench的博客
09-02 7143
阳性（正）样例P和阴性（负）样例N，将正样本预测为正样本的为True positive（TP），正样本预测为负样本的为False negativ（FN），负样本预测为正样本的为False positive（FP），负样本预测为负样本的为True negative（TN）。反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。反映分类器或者模型正确预测负样本全度的能力，增加将负样本预测为负样本，即负样本被预测为负样本占总的负样本的比例。
从TP、FP、TN、FN到ROC曲线、miss rate、行人检测评估
weixin_34112030的博客
02-05 1460
从TP、FP、TN、FN到ROC曲线、miss rate、行人检测评估   update 2018年1月31日22:21:56 最初版本是基于行人检测Piotr Dollar大佬的论文和代码胡乱写的 难免有错 严谨的paper请参考：The Relationship Between Precision-Recall and ROC Curves (ICML2006) , https...
机器学习中准确率、精确率、召回率、误报率、漏报率、F1-Score、AP&mAP、AUC、MAE、MAPE、MSE、RMSE、R-Squared等指标的定义和说明
liveshow021_jxb的博客
12-26 2万+
在机器学习和深度学习用于异常检测（Anomaly detection）、电子商务（E-commerce）、信息检索（Information retrieval, IR）等领域任务（Task）中，有很多的指标来判断机器学习和深度学习效果的好坏。这些指标有相互权衡的，有相互背向的，所以往往需要根据实际的任务和场景来选择衡量指标。本篇博文对这些指标进行一个梳理。
虚警率、漏警率
努力努力努力
01-05 1万+
一、相关概念 1、真实值actual value和预测值predicted value 这两者就是字面的意思，actual value是指真实记录的已发生的测量结果值，而predicted value是指对未发生的预测值。这里的值既可以是数值型，也可以是类别型。 2、真True、假False 这两个表示的是真实值与预测值之间是否吻合，true表示的是预测值与真实值一致，而false表示的是预测值与真实值不一致。 3、阳性Positive（正）、阴性Negative（负） 首先这里讨论的posit
matlab绘制FPPI测试数据
04-18
matlab绘制FPPI测试数据，详情看：https://blog.csdn.net/weixin_38705903/article/details/105476251
目标检测数据集：PCD表面元器件缺陷检测数据集（超过600张图片和标签）
最新发布
09-02
目标检测数据集：PCD表面元器件缺陷检测数据集（超过600张图片和标签）【包含训练集、验证集、对应标签、class文件】 数据集被处理成yolo格式，做了data增广，可以用于YOLO所有系列的网络训练。show脚本可以用于...
基于TensorFlow框架的目标检测与细分系统研发_何玲.caj
09-07
基于TensorFlow框架的目标检测与细分系统研发_何玲.caj 深度学习资料
MISS_matlab_MISS_
09-30
lab1_raport.pdf和lab2_raport.pdf很可能是实验报告或项目文档，详细记录了使用MATLAB进行系统建模的过程、结果和分析。这些文档通常会涵盖模型的建立方法、参数设置、仿真结果的解读以及可能遇到的问题和解决方案。...
hog_pedestran_detect_c_plus_plus-master.zip
05-09
# HOG+SVM行人检测 基于c++和opencv编写的代码，应用经典的HOG+SVM算法实现行人检测。 工程建立于：VS2015 + OpenCV3.1.0
cache blocking
weixin_43876597的博客
01-02 454
缓存的更新通常是以缓存块为单位进行的，而不是以单个元素为单位。当程序访问内存时，它将一个块的数据加载到缓存中，这称为缓存行（cache line）。缓存行是缓存的基本单位，通常包含多个字节或数据项。当某个数据被请求并加载到缓存时，可能会带入其周围的数据，即将整个缓存行加载到缓存中。这是因为在程序中，通常存在着局部性原理，即相邻的数据项很可能也会被近期使用。如果在缓存中的某个块的数据被修改，通常整个缓存块会被标记为“脏”（dirty）。当这个缓存块被替换出缓存时，它的内容会被写回到主内存。
【行人检测】miss rate versus false positives per image (FPPI) 前世今生（理论篇）
Vincent Lai的博客
11-13 5648
一、前言 最近在做行人检测相关的东西，用到一个指标叫做miss rate versus false positives per-image (FPPI)，但是搜了一圈网上发现相关的资料很少，所以自己再梳理一下这个指标相关的知识，也方便后续的人使用这个，如果有不对的地方欢迎指正。 二、miss rate versus false positives per window (FPPW) 在介绍miss rate versus false positives per-image（后文简称FPPI）之前，就不得不
AP、mAP、MR-FPPI曲线、MR-2
xxnote的博客
04-11 9780
目标检测中准确率（precision）、召回率（recall）、平均精度（AP）、平均精度均值（mAP） 二分类问题中： 一般来说，我们希望P和R都是越高越好，然而两者是一对矛盾的度量。一个高时另一个就会偏低。以P、R为轴绘制曲线，用曲线下的面积衡量P、R双高的的比例。 AP（average precision）：假设这N个测试样本中有M个正例，首先用训练好的模型得到N个测试样本的confiden...
python目标跟踪精度曲线图_目标跟踪的评价指标（OTB与VOT）
weixin_36215894的博客
01-15 3157
目标识别的评价指标主要有ROC曲线，missrate(MR，其实就是FALSE Positive)、FPPI、FPPW等。单图像跟踪的评价指标主要有两个，一个是pixel error，一般是算中心距离，另一个是overlap rate，区域重叠率，用重叠区域除以两个矩形所占的总面积Aoverlap /(A1+A2-Aoverlap)，常常用pixel error绘制帧误差曲线，用重叠率绘制误差曲线...
【目标检测】绘制FPPI、miss rate数据及代码例子
Vincent Lai的博客
04-12 4086
行人检测一般用FPPI而不是mAP作为评估指标，但是网上找了好久都没找到Python版本的代码，原来FPPI官方的代码是matlab的，这里记录一下用官方的代码来绘制FPPI曲线有哪些需要注意的 非常感谢这篇文章：Caltech评估方法 评估的方法按照上面那篇文章可以跑通代码，需要注意的是： 要下载annotations文件，并解压到../code3.2.1/data-USA中 在此处下载别人预...
模式识别 评价方法 ROC曲线, DET曲线, FPPW, FPPI etc.
热门推荐
yangyangyang20092010的专栏
11-08 3万+
模式识别 评价方法 ROC曲线 DET曲线  FPPW  FPPI etc. 因个人在做模式识别相关的工作，模式识别算法最终的性能评价是关键。但苦于网上很难找到具体、详细的评价流程、方法以及代码，所以本人打算近期准备如题所示评价方法的整理工作，到时候会奉上方法介绍、基础代码（matlab 版），以帮助更多像我这样对这些方法有些迷茫的人。
如何利用python绘制miss rate-FPR曲线评价模型
03-24
要绘制miss rate-FPR曲线，需要收集模型的预测结果及真实标签，并计算出相应的false positive rate和miss rate。可以使用sklearn.metrics中的一些函数来帮助计算这些指标，例如roc_curve和confusion_matrix。代码示例： ```python from sklearn.metrics import roc_curve, confusion_matrix import matplotlib.pyplot as plt # 模型预测结果和真实标签 y_pred = model.predict(X_test) y_true = y_test # 计算混淆矩阵 cf_matrix = confusion_matrix(y_true, y_pred) # 计算false positive rate和miss rate fp_rate = cf_matrix[0, 1] / (cf_matrix[0, 1] + cf_matrix[0, 0]) miss_rate = cf_matrix[1, 0] / (cf_matrix[1, 0] + cf_matrix[1, 1]) # 绘制ROC曲线 fpr, tpr, thresholds = roc_curve(y_true, y_pred) plt.plot(fpr, tpr, label='ROC curve') plt.plot([0, 1], [0, 1], 'k--', label='random guessing') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve') plt.legend() plt.show() ``` 如果想要绘制miss rate-FPR曲线，只需要将fpr与miss_rate替换即可。
评论
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