faster rcnn学习（三）

今天学习用来判断faster rcnn中对于评估多个类别检测的效果，部分内容参考http://blog.sina.com.cn/s/blog_9db078090102whzw.html。

mAP(mean average precision)多类平均精度，首先计算出每个类的AP，然后取所有类的AP的平均。解释这个，先了解混淆矩阵的4个概念。

TP：预测为真的正样例

TN：预测为真的负样例

FP：预测为假的正样例

FN：预测为假的负样例

记住这个很简单，以TP为例，先记住P代表预测的结果是positive sample,正样例，T代表预测的结果与GT，真实的结果一致，说明真实的结果也是正样例。

先给出推理流程：

(1)TP,TN,FP,FN-----PR(P:Precision,R:Recall)-----AP-----mAP

(2)TP,TN,FP,FN-----TPR,FPR-----ROC-----AUC

先记录(1)的推理过程。

Precision精度表示预测为正的样本中真正为正的样本所占的比例。

Precision=TP/(TP+FP)

Recall召回率表示实际为真的所有样例预测出为真的样例所占的比例。

Recall=TP/(TP+FN)

接下里的AP和mAP的计算方式我是从这个博客看到的，是我见过讲的最好的博客。附上地址http://blog.sina.com.cn/s/blog_9db078090102whzw.html。

原文地址：https://www.cnblogs.com/w33-blog/p/9959998.html

时间： 2025-02-01 20:03:51

faster rcnn学习（三）的相关文章

Faster RCNN学习记录

<Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks>Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun ——学习资料记录(Simon John) 文章拟解决问题(Towards Real-Time) SPP net和Fast R-CNN提取proposal(

faster r-cnn学习(一)

http://closure11.com/rcnn-fast-rcnn-faster-rcnn%E7%9A%84%E4%B8%80%E4%BA%9B%E4%BA%8B/ 首先看fast r-cnn这篇论文,中间加入了有些博友的想法. 问题目标检测主要面临两个问题:过多的候选位置(proposals):必须由这些粗略的候选位置中选出准确的位置. 这篇论文将学习目标proposals分类和精确定位结合起来. 1. R-CNN和SPPnet存在的问题 (1)R-CNN的问题训练需要多阶段:先用Co

Faster R-CNN论文详解

原文链接:http://lib.csdn.net/article/deeplearning/46182 paper链接:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks &创新点设计Region Proposal Networks[RPN],利用CNN卷积操作后的特征图生成region proposals,代替了Selective Search.EdgeBoxes等方法,速度上提升明显:

r-cnn学习系列（三）：从r-cnn到faster r-cnn

把r-cnn系列总结下,让整个流程更清晰. 整个系列是从r-cnn至spp-net到fast r-cnn再到faster r-cnn. RCNN 输入图像,使用selective search来构造proposals(大小不一,需归一化),输入到CNN网络来提取特征, 并根据特征来判断是什么物体(分类器,将背景也当做一类物体),最后是对物体的区域(画的框)进行微调(回归器). 由下面的图可看出,RCNN分为四部分,ss(proposals),CNN,分类器,回归器,这四部分是相对独立的.改进的

RCNN学习笔记(5)：faster rcnn

reference link: http://blog.csdn.net/shenxiaolu1984/article/details/51152614 http://blog.csdn.net/xyy19920105/article/details/50817725 思想从RCNN到fast RCNN,再到本文的faster RCNN,目标检测的四个基本步骤(候选区域生成,特征提取,分类,位置精修)终于被统一到一个深度网络框架之内.所有计算没有重复,完全在GPU中完成,大大提高了运行速度.

目标检测梳理：基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN(转)

基于深度学习的目标检测技术演进:R-CNN.Fast R-CNN.Faster R-CNN(转) 原文链接:https://www.cnblogs.com/skyfsm/p/6806246.html object detection我的理解,就是在给定的图片中精确找到物体所在位置,并标注出物体的类别.object detection要解决的问题就是物体在哪里,是什么这整个流程的问题.然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现在图片的任何地方

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络资源获取链接:点击这里第1章课程介绍本章节主要介绍课程的主要内容.核心知识点.课程涉及到的应用案例.深度学习算法设计通用流程.适应人群.学习本门课程的前置条件.学习后达到的效果等,帮助大家从整体上了解本门课程的整体脉络. 1-1 课程导学第2章目标检测算法基础介绍本章节主要介绍目标检测算法的基本概念.传统的目标检测算法.目前深度学习目标检测主流方法(one-sta

r-cnn学习（二）

faster r-cnn 1.问题在fast r-cnn中,proposals已经成为速度提高的瓶颈.在本文中,使用深度网络来计算proposals, 使得与检测网络的计算量相比,proposals的计算量可忽略不计.为此,本文提出了RPN网络(Region Proposal Network), 与目标检测网络共享卷积层,大大减少了计算proposals的时间. 2.方案在fast r-cnn中,region-based detectors可以使用卷积特征图,那么这些特征图也可以用来生成re

（转）Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks(更快的RCNN：通过区域提议网络实现实时)

原文出处感谢作者~ Faster R-CNN: Towards Real-Time Object Detection with Region ProposalNetworks Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun 摘要目前最先进的目标检测网络需要先用区域建议算法推测目标位置,像SPPnet[7]和Fast R-CNN[5]这些网络已经减少了检测网络的运行时间,这时计算区域建议就成了瓶颈问题.本文中,我们介绍一种区域建议网络(Reg