Confusion matrix
以这种形式给出矩阵的值
background FP | |||
---|---|---|---|
background FN |
最后一列和最后一行都是以background的类别pos的prediction的FN和FP。所以最右下角是没有意义的,没有值。
- 由于最后一列是background的FP,本来不是背景的,被pred分成了背景,漏检了非背景物体
- 由于最后一行是background的FN,本来是背景的,被pred分成了不是背景,虚检了本来没有的物体。
混淆矩阵最后一行和一列是背景类。上面我们知道列是模型预测的结果,行是标签的真实结果。而FP则是表示真实为假预测为真,FN表示真实为真预测为假。可以看到最后一行即backgroundFN出现数值,表示出现了漏检;最后一列即background FP出现数值,则表示出现了虚检
来自 https://blog.csdn.net/m0_66447617/article/details/124180032,
另外可参考github上的讨论,background也被单独划分成了一个类别。
https://github.com/kaanakan/object_detection_confusion_matrix/issues/12
以上面的图为例子的话,可以看到background FN各类都比较高,虚检了很多物体;background FP- hat的相对较高,漏检了很多head类别的物体。而在非背景的类别中,可以看到对角线的值相对大,可见模型能够很好的分清楚这三类谁是谁。
F1 curve
此图能够看到什么阈值下什么类别能够达到最好的F1 score,比如绿线在0.27左右,海蓝色在0.8左右。
labels
results
剩下一些不需要解释的图
常规曲线
P-R curve
P curve
R curve
batch抽取的case study
文章出处登录后可见!
已经登录?立即刷新