【周作业3】

前言

关于课程《神经网络与深度学习》所做笔记。
本次为第3次作业。

---

本周课程内容

评价指标

相关概念：

  1. TP：被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数
  2. FP：被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数
  3. FN：被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数
  4. TN：被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数

混淆矩阵：

  P(精确率）：$TP/(TP+PS)$ ，标识“挑剔”的程度
  R(召回率）：$TP/(TP+FN)$。召回率越高，准确度越低，标识“通过”的程度
  精度( Accuracy)：$(TP+TN)/(TP+FP+TN+FN)$

P-R曲线：

  PR 的关系曲线图，表示了召回率和准确率之间的关系，精度准确率 越高 召回率越低。

图 1 P-R关系曲线图

示例

  假设一个测试集，其中图片只由大雁和飞机两种图片组成

图 2 测试集示意图 、

  1. True positives : 飞机的图片被正确的识别成了飞机；
  2. False positives: 大雁的图片被错误地识别成了飞机；
  3. False negatives: 飞机的图片没有被识别出来，系统错误地认为它们是大雁；
  4. True negatives: 大雁的图片没有被识别出来，系统正确地认为它们是大雁。

  假设由CNN得到飞机分类结果如下

图 3 CNN分类结果示意1
  分类为飞机正样本 的四张照片中：
  1.True positives : 有三个，画绿色框的飞机。
  2.False positives: 有一个，画红色框的大雁。分类为大雁 负样本 的四张照片中：
  3.True negatives : 有四个，这四个大雁的图片，系统正确地没有把它们识别成飞机。
  4.False negatives: 有两个，两个飞机没有被识别出来，系统错误地认为它们是大雁。

置信度与准确率

  调整阈值可改变准确率或召回值

图 4 CNN分类结果示意2

  在刚才例子中，对应某阈值，前四个样本左侧被分类为飞机，改变阈值会改变划分，进一步影响准确率或召回值。
  可以通过改变阈值（也可以看作上下移动蓝色的虚线），来选择让系统识别能出多少个图片，当然阈值的变化会导致Precision与Recall值发生变化 。比如，把蓝色虚线放到第一张图片下面，也就是说让系统只识别出最上面的那张飞机图片，那么 Precision 的值就是100%，而 Recall 的值则是20%。如果把蓝色虚线放到第二张图片下面，也就是说让系统只识别出最上面的前两张图片，那么Precision的值还是100%而Recall的值则增长到是40%。

---

目标检测问题

目标检测

  目标检测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。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，并且物体还可以是多个类别。

图 5 目标检测示意

目标检测问题发展

  1.R-CNN
  2.SPP NET
  3.Fast R-CNN
  4.Faster R-CNN
  5.最终实现 YOLO
  YOLO是一个集大成的方法，不了解之前的方法，很难掌握 YOLO 的思路。