deep-learning - 了解目标检测的未命中率与 FPPI 指标

Question

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？

标签： deep-learningcomputer-visionobject-detectionfalse-positive

Answer 1

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。