DeepLearning图像分割中的一些评价指标

zyg 1年前 (2023-08-15) 阅读数 3645 #图像算法开发

指标概览

AP mAP recall IoU NMS

预测正例 预测反例
真实数值 正例 TP FN
真实数值 反例 FP TN

真阳率(TP):代表将真实正样本划分为正样本的概率
假阳率(FP):代表将真实负样本划分为正样本的概率
FN:代表将真实负样本划分为负样本的概率
FP:代表将真实正样本划分为负样本的概率

AP:精度 precision , accuracy
AP = TP/(TP + FP )
评估单类预测出来的正确率

mAP:平均精度 mean precision
mAP = sum(AP) / n_class
评估预测出来所有类的平均正确率

Recall:召回率
realll = TP / (TP + TN)
评估在预测为正的样本中真值为正的样本比例

re: precision 表示预测为正确结果中,由多少是对的,即反映预测准确的参数;但是只是预测准确率很高,但是很多没有预测出来那也是不行的(有100个样本,预测了1个正例,99个反例,而且这个1个正例预测是正确的,那么准确率是100%,单纯的这样来衡量是没有道理的,因为还有99个直接给否定了),所以Recall这个指标就是为了衡量这个问题,一共的正例的样本,成功预测出来多少个,当这两个指标都很高的时候,那么说明这个结果才是好的。

PR图:
以Recall值为横轴,Precision值为纵轴,可以得到PR曲线,Precision与Recall的值呈现负相关,在局部区域会上下波动。
null
使用PR曲线平衡模型的性能,沿y=x曲线,相交点一般为模型性能较好的点,可以使用此处的权重。

版权声明

本文仅代表作者观点。
本文系作者发表,未经许可,不得转载。

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。

yanguo

yanguo

管理员
作者文章
最新文章
标签列表
    欢迎你第一次访问网站!