介绍

概念解释

mAP

对于图像检测任务检测模型通常会得到两组结果:

• Positive Class and Negitave Class:

  • Positive Class: 模型预测某检测框中有要检测的物品
  • Negatives Class: 模型预测检测框中的没有要检测的物品

• True and False

  • True: 表明模型的预测正确
  • False: 表明模型的预测错误

举例:

Number	Description
1	True positive—The model predicted that there is a tree, and it is correct.
2	False positive—The model predicted that there is a tree, and it is incorrect.
3	False negative—The model predicted that there is no tree, and it is incorrect.
4	True negative—The model predicted that there is no tree, and it is correct.

• 召回率 (Recall):
  召回率是模型预测正确物体的数量与实际（相关）物体总数的比率。例如，如果该模型在一幅图像中正确检测到 75 棵树，而图像中实际有 100 棵树，那么召回率就是 75%。
  Recall = (True Positive)/(True Positive + False Negative)

• 精度 (Precision):
  精度是指预测正确的物体数与模型预测总数的比率。例如，如果模型检测到 100 棵树，其中 90 棵是正确的，有 10 棵不是树，那么精度就是 90%。
  Precision = (True Positive)/(True Positive + False Positive)

• F1 score: F1 分数是精度和召回率的加权平均值。数值范围从 0 到 1，其中 1 意味着最高精度。
  F1 score = (Precision × Recall)/[(Precision + Recall)/2]

分类 VS 检测 VS 分割:

反向传播算法 (gradient descent)

SVM

感受野

dropout

mean-subtracted