deep-learning - 了解目标检测的未命中率与 FPPI 指标
问题描述
我有一个对象检测模型的 MR 与 FPPI 之间的图,该模型是在用于检测汽车的数据集上训练的。但是,我不知道如何理解这个图表,因此无法就它是否做得好得出结论。我获得了 76 分的 AP 分数,我认为这是相当不错的。有人可以帮我理解图表吗?
解决方案
FPPI 是False Positive Per Image的缩写。对数平均未命中率有点类似于平均精度(您提到的 MAP),指的是未检测到的对象。
- MR = 假阴性/阳性
- FPPI = 误报 / 测试帧数
在此图中,两个坐标都可能基于对数。当 False Positive 的值有上限时使用这种测量,无论场景中存在多少对象。当您考虑更高的每张图像误报阈值时,您应该期望您的未命中率会降低;因为通过增加 FPPI,您可以接受每张图像的更多误报,因此真阳性被检测到的机会更高(因此误报更少)。总而言之,您的情节看起来不错,因为在每张图像中,如果您希望检测到所有对象(汽车)(少小姐率),您可能会有一些误报(对象被错误地检测为汽车)作为侧面-影响。
推荐阅读
- javascript - 如何将用户创建的列表项保存在本地存储中?
- python - 如何使用熊猫和python将csv中的值与另一个csv进行比较?
- reactjs - 测试特定的 MaterialUI 图标
- angular - Agora Angular 8 中的屏幕共享
- git - 使用模式匹配将文件从嵌套目录添加到存储库
- blockchain - 是否有与 Corda 上的 mempool 概念等价的概念?
- kubernetes - 如何在 AWS EKS 中将服务类型更改为 ALB?
- google-cloud-platform - Google Cloud 通过命令行运行部署失败
- python - 如何在 Python 函数之外访问函数参数的值?
- go - 加载包含不同结构项目列表的 YAML 文件