- TP、FP、FN、TN
-
- 分类中TP、FP、FN、TN含义
- 目标检测中TP、FP、FN、TN的含义
- precision 、recall 、accuracy
-
- precision
- recall
- accuracy
- 抽样范围
- 一个疑问
- AP、mAP
-
- AP
- mAP
- 一个例子
-
- P-R曲线
- 思考
TP、FP、FN、TN 分类中TP、FP、FN、TN含义 首先理解下在机器学习分类中的含义：
TP（True Positive）：指正确分类的正样本数，即预测为正样本，实际也是正样本。
FP（False Positive）：指被错误的标记为正样本的负样本数，即实际为负样本而被预测为正样本。
TN（True Negative）：指正确分类的负样本数，即预测为负样本，实际也是负样本。
FN（False Negative）：指被错误的标记为负样本的正样本数，即实际为正样本而被预测为负样本。
由此可知：
样本总数：TP+FP+TN+FN 。
实际正样本数：TP+FN。
预测结果为正样本的总数（包括预测正确的和错误的）：TP+FP。
实际负样本数：FP+TN。
预测结果为负样本的总数（包括预测正确的和错误的）：TN+FN。
预测正确的样本数：TP+TN。
文章图片
目标检测中TP、FP、FN、TN的含义 目标检测中的每一个预测结果包含三部分，类别（class），预测框（bounding box）和置信概率（P confidence）。对应的还有真实的检测框，Ground Truth。
什么样的检测结果才叫正确？
1、类别正确
2、预测框（score、confidence）的置信度大于一定阀值
3、预测框与真实框的交并比IoU（Intersection Over Union）大于一定阀值
文章图片
由此引入两个评价参数。
交并比阈值记为IoU_th，在VOC中一般取0.5（0.5意味着框与框大约有2/3交叉。）
置信度阈值记为confidence_th。
我们将confidence>confidence_th的检测框记为Positive。
TP：IoU>IoU_th 的检测框数量（同一 Ground Truth 只计算一次）。
FP：IoU
FN：没有检测到的 GT 的数量。
假设红色的框是Ground Truth，绿色的框是检测结果， IoU_th 、confidence_th均设为0.5：
这张图中的绿色框就是一个TP。
文章图片
这张图中的绿色框IoU
文章图片
这张图中有两个检测框且IoU>IoU_th，那么置信度较高的那个就是TP，剩下的就是FP。
文章图片
这张图虽然检测到了框，类别也正确，但是由于confidence
文章图片
precision 、recall 、accuracy 这几个概念是从信息检索领域来的。
precision precision = TP/(TP+FP)
个人认为翻译成查准率比较好。
recall recall = TP/(TP+FN)
个人认为翻译成查全率或者召回率比较好。TP+FN其实就是所有的Ground Truth的数量。
accuracy accuracy = (TP+TN)/(TP+FN+FP+TN)
在目标检测领域中一般不会用。
抽样范围 precision 和 recall 的抽取样本方式不同：recall是从数据集的同一标签的样本抽样；而precision是从已经预测为同一类别的样本抽样。
一个疑问 （在网上看到下面这张图，我不知道应该怎么理解。）
文章图片
AP、mAP 这两个概念都是为了衡量模型性能。
AP AP( Average Precision )：衡量单类别的模型平均准确度。
mAP mAP（mean Average Precision）
目标检测通常有多个类别，mAP是多个类别平均准度的综合度量，用来衡量模型性能。
简单来说把所有类的AP值取平均。比如有两类，类A的AP值是0.5，类B的AP值是0.2，那么mAP=（0.5+0.2）/2=0.35。
下面通过一个例子介绍AP的计算
一个例子 假如我们计算目标类别为Dog：
有5张Image，共包含7只Dog，也即GT（GroundTruth）数量为7。预测得到了Dog的10个预测结果，然后按confidence从高到低排序。
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。
在衡量模型性能时，IoU_th一般取一个定值，然后综合考虑不同的confidence_th取值时的性能。
| Index | BB | confidence | GT |
|---|---|---|---|
| 1 | BB1 | 0.91 | 1 |
| 2 | BB2 | 0.83 | 1 |
| 3 | BB1 | 0.75 | 1 |
| 4 | BB3 | 0.56 | 0 |
| 5 | BB4 | 0.49 | 0 |
| 6 | BB5 | 0.46 | 1 |
| 7 | BB6 | 0.35 | 0 |
| 8 | BB7 | 0.23 | 0 |
| 9 | BB8 | 0.18 | 1 |
| 10 | BB9 | 0.09 | 1 |
precision = TP/(TP+FP) = 5/(5+5) = 0.5
recall = TP/(TP+FN) = 5/(1+6) = 5/7 = 0.71
| Index | BB | confidence | GT | TP | FP | FN |
|---|---|---|---|---|---|---|
| 1 | BB1 | 0.91 | 1 | Y | N | |
| 2 | BB2 | 0.83 | 1 | Y | N | |
| 3 | BB1 | 0.75 | 1 | Y | N | |
| 4 | BB3 | 0.56 | 0 | N | Y | |
| 5 | BB4 | 0.49 | 0 | N | Y | |
| 6 | BB5 | 0.46 | 1 | Y | N | |
| 7 | BB6 | 0.35 | 0 | N | Y | |
| 8 | BB7 | 0.23 | 0 | N | Y | |
| 9 | BB8 | 0.18 | 1 | Y | N | |
| 10 | BB9 | 0.09 | 1 | Y | N | |
| 合计 | 5 | 5 | 2 |
precision = TP/(TP+FP) = 1/(1+0) = 1
recall = TP/(TP+FN) = 1/(1+6) = 1/7 = 0.14
| Index | BB | confidence | GT | TP | FP | FN |
|---|---|---|---|---|---|---|
| 1 | BB1 | 0.91 | 1 | Y | N | |
| 2 | BB2 | 0.83 | 1 | N | N | |
| 3 | BB1 | 0.75 | 1 | N | N | |
| 4 | BB3 | 0.56 | 0 | N | N | |
| 5 | BB4 | 0.49 | 0 | N | N | |
| 6 | BB5 | 0.46 | 1 | N | N | |
| 7 | BB6 | 0.35 | 0 | N | N | |
| 8 | BB7 | 0.23 | 0 | N | N | |
| 9 | BB8 | 0.18 | 1 | N | N | |
| 10 | BB9 | 0.09 | 1 | N | N | |
| 合计 | 1 | 0 | 6 |
Top1 confidence_th=0.9 precision=1.00 and recall=0.14
Top2 confidence_th=0.82 precision=1.00 and recall=0.29
Top3 confidence_th=0.74 precision=0.66 and recall=0.29
Top4 confidence_th=0.55 precision=0.50 and recall=0.29
Top5 confidence_th=0.48 precision=0.40 and recall=0.29
Top6 confidence_th=0.45 precision=0.50 and recall=0.43
Top7 confidence_th=0.34 precision=0.43 and recall=0.43
Top8 confidence_th=0.22 precision=0.38 and recall=0.43
Top9 confidence_th=0.17 precision=0.44 and recall=0.57
Top10 confidence_th=0.08 precision=0.50 and recall=0.71
P-R曲线 以Precision为Y轴，Recall为X轴，画出P-R 曲线。
随着confidence_th不断降低，Recall稳步变大，Precision局部波动但整体减小。（这也很好理解，阈值越低，能找到的目标越多，但同时精度也可能会下降。）
文章图片
AP(Average Precision)的计算为Interpolated PR曲线下的面积。
Interpolated PR曲线是将取Recall大于等于r时最大的Precision的点（图中红色点）连起来。即下图中红色虚线所示：
文章图片
大家可以算一下，这里AP=0.5。
思考 1、mAP虽然综合考虑了平均模型准确度，使得模型优劣的评判标准不随confidence_th和IoU_th取值变化而变化。
但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。
2、在工程应用中，根据对于confidence和IoU的侧重不同，来设计loss函数。
参考：
https://www.jianshu.com/p/fbb96bb49782
https://blog.csdn.net/asasasaababab/article/details/79994920
https://zhuanlan.zhihu.com/p/56961620
推荐阅读
- 人工智能|【深度学习】ICCV2021｜性能优于何恺明团队MoCo v2，DetCo（为目标检测定制任务的对比学习...）
- 时间序列聚类|Adaptive Temporal-Frequency Network for Time-Series Forecasting（TKDE）
- 神经网络|RBF神经网络理论与实现
- 机器学习|西瓜书第五章学习笔记——神经网络
- 机器学习|机器学习西瓜书——第05章神经网络
- 机器学习|西瓜书——第五章神经网络
- python|超简单教你用Python克隆声音(以卷福为例)
- 神经网络|对CTC、RNA、RNN-T的理解
- CVPaper|计算机视觉论文-2021-09-09