评价对象

IoU、Precision、Recall是针对所有图片内的某一类来说的;
mIoU、mPA、Accuracy是针对所有类别来计算的；

分类器预测结果

实际中分类器的预测结果可以分为四种，TP，TN ，FP，FN:

TP true positive 实际为正样本预测为正样本
TN true negitive 实际为负样本预测为负样本
FP false positive 实际为负样本预测为正样本
FN false negative 实际为正样本预测为负样本

IoU、Precision、Recall

IoU 交并比: TP/(TP+FP+FN)
Recall 查全率: TP/(TP+FN)
Precesion 精确率(类别像素准确率CPA:每个类被正确分类像素数的比例): TP/(TP+FP)

Miou、mPA、Accuracy

Accuracy 像素准确率（PA: 预测类别正确的像素数占总像素数的比例):
Accuracy=PA = (TP + TN) / (TP + TN + FP + FN)
mPA (CPA累加求平均): mPA = sum(Pi) / 类别数
mIoU 均交并比(IoU累加求平均): mIoU = sum(IoU) / 类别数

F-Score

F-Score是在需要综合考虑Precision和Recall的调和值时，引出的新的评价指标，可以根据Precision和Recall的重要性差别设定不同的β值：

提出原因

虽然从计算公式来看，并没有什么必然的相关性关系，但是，在大规模数据集合中，这2个指标往往是相互制约的，即此消彼涨的

Precision和Recall的重要性和β的赋值的关系
- 当Precision精确率更重要些，就调整β的值小于1
- 当Precision精确率和Recall召回率的重要性相同，β=1时，称为F1-score，权重相同
- 当Recall召回率更重要些，就调整β的值大于1
如何判断Precision和Recall哪个重要呢
准确率低代表误检多，召回率低代表漏检多，如果不明白，好好看一下本文之前部分写的Recall和Precision的定义即可，这里我通过几个例子来说明：
- 测全率/召回率更加重要
  对于医疗模型，比如判断一个细胞是不是癌细胞或者一个病人是不是患有癌症，测全率是很重要的，但是误判相对于测全来说却没有那么重要。解释一下就是，一个没有患癌症的病人被诊断为癌症影响不是很大，但是一个患有癌症的患者被诊断为正常人影响却非常大。
  同样的，也适用于诈骗模型，把普通人认成诈骗犯影响不是很大，但把诈骗犯认作普通人影响很大，这种情况下，测全率就非常的重要
- 准确率更加重要
  对于一般的搜索模型，把非搜索内容当作搜索内容影响很大，但是把部分搜索内容当作非搜索内容（即并不是能搜索到全网所有的相关结果，但你看到的都是你搜索的内容）影响不大，这情况下准确率就非常的重要
  对于垃圾邮件模型，把非垃圾邮件认成垃圾邮件影响很大（你会错过重要邮件），而把垃圾邮件认成非垃圾邮件影响不大（你可以删掉不看就是了），这情况下准确率就非常的重要

深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score的定义，区别和联系相关推荐

深度学习: mAP (Mean Average Precision)
原文:http://blog.csdn.net/jningwei/article/details/78955536 深度学习: mAP (Mean Average Precision) 版权声明:转载 ...
深度学习常用评价指标
版权声明:本文为CSDN博主「ZONG_XP」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明. 原文链接:https://blog.csdn.net/zong59 ...
SSRNet：用于大规模点云表面重建的深度学习网络（CVPR2020）
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达整理人:袁赣张秦,付前程,张琛,廖新耀论文: [1] Zhengxin Mi#, Yiming Lu ...
目标检测模型的评价指标(Acc, Precision, Recall, AP, mAP, RoI)
目标检测模型的评价指标(Acc, Precision, Recall, AP, mAP, RoI) 对于一个目标检测模型的好坏,总的来说可以从以下三个方面来评估: 分类的精度如何.一般可以用准确度(A ...
搭建深度学习网络识别图片--猫狗大战
猫狗大战(项目代码:https://github.com/JasonZhou89/kaggle--Dogs-vs.-Cats-Redux-Kernels-Edition) 一. 问题的定义 1.1 项 ...
何恺明团队新作！深度学习网络架构新视角：通过相关图表达理解神经网络
标题&作者团队导语:恺明大神出品,必属精品.Facebook的研究员从一个新奇的角度对神经网络的表示与设计进行探索,提出了一种新颖的相关图表示方式.它有助于对现有网络架构进行更深层次的分析与 ...
如何利用扬声器构建深度学习网络？
简介: 来自于康纳尔大学的这篇研究论文给出了一个利用物理系统实现深层网络学习和推理的框架.本文对于文章举例的三个系统不属于线性时不变系统进行分析.除了其中SHG系统比较复杂之外,其它两个系统(三极 ...
【模型解读】深度学习网络之Siamese Network网络
文章首发于微信公众号<有三AI> [模型解读]深度学习网络只能有一个输入吗继续我们之前的专栏<模型解读>,今天说多输入网络,很久没写了因为实在是有更重要的事情. 平常我们所见 ...
深度学习网络backbone？head、neck、bottleneck、GAP、Embedding、pretext task、downstream task、temperature parameter
一些术语: backbone这个单词原意指的是人的脊梁骨,后来引申为支柱,核心的意思.在神经网络中,尤其是CV领域,一般先对图像进行特征提取(常见的有vggnet,resnet,谷歌的inceptio ...

深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score的定义，区别和联系

文章目录

评价对象

分类器预测结果

IoU、Precision、Recall

Miou、mPA、Accuracy

F-Score

深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score的定义，区别和联系相关推荐

最新文章

热门文章