1.算法评估
TP:
被正确地划分为正例的个数,即实际为正例且被分类器划分为正例的实例数
FP:
被错误地划分为正例的个数,即实际为负例但被分类器划分为正例的实例数
FN:
被错误地划分为负例的个数,即实际为正例但被分类器划分为负例的实例数
TN:
被正确地划分为负例的个数,即实际为负例且被分类器划分为负例的实例数
P(
精确率):
TP/
(
TP+FP
)
R(
召回率):
TP/(TP+FN)
。召回率越高,准确度越低
其中,精确度越低、召回率越高
相关实例:
例子:
80
个男生,
20
个女生,做个女生识别器。结果测试了
50
个全部输出女生,其中20
个本来是女生,
30
个男生,即:TP= 20,FP=30 FN=0,
TN:=0。
准确率:
40%
;
召回率:
100%
置信度与准确率:
可以通过改变阈值(也可以看作上下移动蓝色的虚线),来选择让系统识别能出多少个图片,当然阈值的变化会导致Precision
与Recall值发生变化。
2.YOLO算法——目标检测
YOLO:you only look once
目标检测原理:
很多时候图像里有多个我们感兴趣的目标,我们不仅想知道它们的类别
,还想得到它们在图像中的具体位置。在计算机视觉里,我们将这类任
务称为目标检测(
object detection
)或物体检测。
目标检测在多个领域中被广泛使用。例如,在无人驾驶里,我们需要通
过识别拍摄到的视频图像里的车辆、行人、道路和障碍的位置来规划行
进线路。机器人也常通过该任务来检测感兴趣的目标。安防领域则需要
检测异常目标,如歹徒或者炸弹。
![](https://i-blog.csdnimg.cn/blog_migrate/d1db6251794b56028f87764a692a9005.png)
目标检测算法通常会在输入图像中采样大量的区域,然后判断这些区域中是否包含我们感兴趣的目标,并调整区域边缘从而更准确地预测目标的真实边界框(ground-truth bounding box)。
一般图片中,大多数位置都不存在目标。
可以确定那些更有可能出现目标的位置,再有针对性的用CNN进
行检测——两步法(Region Proposal)
两步法依然很费时!
进一步减少出现目标的位置,而且将目标分类检测和定位问题合在一个网络里——一步法(YOLO)