点击上方“CVer”,选择加"星标"或“置顶”
重磅干货,第一时间送达
作者:Yanpeng Sun
https://zhuanlan.zhihu.com/p/79186684
本文已由作者授权,未经允许,不得二次转载
学习目标检测一定少不了的评测方式, 就是透过recalls, precisions, 来计算出类别的AP, 以及最后所有AP的平均值 mAP(mean Average Precision) 也就是我们最关心的数值
这边先简单的了解一下confusion matrix, 也就是所谓的混肴矩阵, 我个人不觉得这是一个很好的翻译, 最好记得英文就行, 在分类任务中这是一个非常重要的评测指标
下图是一个基本的confusion matrix
![2982f913ceed034c0d96fe91d765708e.png](https://i-blog.csdnimg.cn/blog_migrate/8df062b39620b204d3e04c9da87bc91f.jpeg)
下面我直接带入例子会比较好解释
假设你的数据集一共是2分类, 第一类是人, 第二类是汽车
而测试集只有两张图片
Actual Value and Predicted Value
Actual value :实际的值, 在目标检测领域中, 我们可以理解为ground truth, 就是人或者是汽车在图片上的真实坐标
predicted value:这个就很好理解了, 就是指我们模型预测出来的坐标
pos 和 neg 这边不先定义, 我讲下去你就知道了
TP FP FN TN
这里通常很容易被弄混, 难怪叫做混肴矩阵, 跟着我的步伐走就没问题,强烈建议拿出纸笔把矩阵画一次就清楚了
TP (TruePositive): 正确预测出类别的 (正确识别为人或是汽车)
FP (FalsePositive):错误预测类别的 (人当成汽车)
FN(FalseNegative): ground truth中没有被检测到的
TN(TrueNegative):理论上来讲就是检测出不是这个类别的数量, 但是并不适用在目标检测领域, 因为通常一张图后会有非常多的bbox是没有检测到groundtruth的, 所以这无法计算, 并不影响, 因为也用不上
Recalls and Precisions
Recalls
可以叫做查全率
又或者是召回率
, 可以当做是所有类别x中预测为正确的
也就是