faster rcnn學習(三)
阿新 • • 發佈:2018-11-14
sam cal 所有 實的 amp rcnn htm 預測 最好的
今天學習用來判斷faster rcnn中對於評估多個類別檢測的效果,部分內容參考http://blog.sina.com.cn/s/blog_9db078090102whzw.html。
mAP(mean average precision)多類平均精度,首先計算出每個類的AP,然後取所有類的AP的平均。解釋這個,先了解混淆矩陣的4個概念。
TP:預測為真的正樣例
TN:預測為真的負樣例
FP:預測為假的正樣例
FN:預測為假的負樣例
記住這個很簡單,以TP為例,先記住P代表預測的結果是positive sample,正樣例,T代表預測的結果與GT,真實的結果一致,說明真實的結果也是正樣例。
先給出推理流程:
(1)TP,TN,FP,FN-----PR(P:Precision,R:Recall)-----AP-----mAP
(2)TP,TN,FP,FN-----TPR,FPR-----ROC-----AUC
先記錄(1)的推理過程。
Precision精度表示預測為正的樣本中真正為正的樣本所占的比例。
Precision=TP/(TP+FP)
Recall召回率表示實際為真的所有樣例預測出為真的樣例所占的比例。
Recall=TP/(TP+FN)
接下裏的AP和mAP的計算方式我是從這個博客看到的,是我見過講的最好的博客。附上地址http://blog.sina.com.cn/s/blog_9db078090102whzw.html。
faster rcnn學習(三)