深度学习应用

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。

 

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)