UA-DETRAC数据集中的PR-MOTA curve and PR-MOTA score

最新推荐文章于 2024-05-12 17:33:08 发布

HDU_Du

最新推荐文章于 2024-05-12 17:33:08 发布

阅读量362

点赞数

文章标签：深度学习机器学习神经网络

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_42656681/article/details/117638323

版权

本文介绍了PR曲线的概念，它通过改变对象检测器的得分阈值来评估不同精度和召回率。接着，PR-MOTA曲线被提出，它是PR曲线的线积分，即阴影部分的面积，提供了一种更全面的评估检测性能的方法。PR-MOTA分数提供了对检测器性能的深入理解。

摘要由CSDN通过智能技术生成

1. 首先介绍precision vs. recall (PR) curve：在不同score(置信值)阈值下，即（0, 0.1, 0.2, ..., 0.9, 1.0), 分别求得对应的precision和recall值。

The PR curve is generated by varying the score threshold of an object detector to generate different precision and recall values.

2. 其次介绍PR-MOTA curve：根据PR curve, 在不同的（precision, recall）下会得到相应的PR-MOTA值.

PR-MOTA score： $\boldsymbol{\Omega^{*}=\Omega_{+}+\Omega_{-}}=\frac{1}{2}\int _{C}\boldsymbol\psi \left ( \boldsymbol{p},\boldsymbol{r} \right )d\boldsymbol{s}$ , 即PR-MOTA score是沿着PR curve的线积分，即图中阴影部分的面积.

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

评论

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。