![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习知识点总结
文章平均质量分 54
CVer_Yxq
人工智能目标检测学习中.....
展开
-
深度学习知识点:mAp和召回率
文章转自:https://mp.weixin.qq.com/s/5kzWL6rCKZGX1xfQ71-gfQ一:参数解释检测对象的评价多数是基于某测试数据集的,通常称为SUT(System Under Test)在训练时候使用的数据通常被称为GT Sytem(是带有正确标准框的数据)。FP –False Positive是指一个对象出现在SUT中但是没有出现在GT中TP – ...转载 2019-04-26 16:10:53 · 1427 阅读 · 0 评论 -
深度学习知识点:IOU的计算及代码实现
if BBGT.size > 0: # 计算IoU # BBGT是真实坐标,bb是预测坐标 ixmin = np.maximum(BBGT[:, 0], bb[0]) iymin = np.maximum(BBGT[:, 1], bb[1]) ixma...原创 2019-04-29 14:53:25 · 1523 阅读 · 0 评论 -
深度学习知识点:mAP的两种计算方法及代码实现
上一篇文章转载贾志刚老师的相关文章介绍mAP和召回率的计算,发现有些不足,便加以补充。① 11-point interpolated average precision首先设定一组阈值,[0, 0.1, 0.2, …, 1]。然后对于recall大于每一个阈值(比如recall>0.3),我们都会得到一个对应的最大precision。这样,我们就计算出了11个precision...原创 2019-04-29 16:04:43 · 2833 阅读 · 0 评论 -
深度学习知识点:K折交叉验证
K折交叉验证:将可用数据划分为K个分区(K通常取4或5),实例化K个相同的模型,将每个模型在K-1个分区上训练,并在剩下的一个分区上进行评估。模型的验证分数等于K个验证分数的平均值。下面是3折交叉验证的图示:Keras K折验证部分代码:import numpy as npk=4num_val_samples = len(train_data)//knum_e...原创 2019-04-24 21:24:37 · 7800 阅读 · 0 评论 -
深度学习知识点:IOU 和 NMS(非极大值抑制)
IOU:IoU=(A∩B)/(A∪B - A∩B )NMS(非极大值抑制):就像上面的图片一样,定位一个车辆,最后算法就找出了一堆的方框,我们需要判别哪些矩形框是没用的。非极大值抑制的方法是:先假设有6个矩形框,根据分类器的类别分类概率做排序,假设从小到大属于车辆的概率 分别为A、B、C、D、E、F。(1)从最大概率矩形框F开始,分别判断A~E与F的重叠度IOU是否...转载 2019-05-06 08:54:32 · 1051 阅读 · 0 评论