本文探讨了视频分析中Temporal Action Proposal任务的评估指标，包括召回率与准确率、IoU/tIoU、平均召回率（AR）与平均proposals数（AN）、AUC以及Mean Average Precision (mAP)。内容详细解释了这些指标的计算和应用场景，旨在评估模型在找到temporal proposals的完整性和准确性。
对于检测分类而言可以分为以下四种情况：
True positives(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；
False positives(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；
False negatives(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；
True negatives(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。
召回率与准确率
Temporal Action Proposal任务不需要对活动分类，只需要找出proposals，所以判断找的temporal proposals全不全就可以测评方法好坏。常用average recall (AR)，即平均召回率。
召回率（recall）：相当于有几个正确的样本，找到了几个。
准确率（precision）：对于做出判断的样本，判断对了几个。
IoU(交并比)/tIoU
此任务的评价指标是与目标检测类似的，这里的proposal就相当于目标检测里的检测框，框的准不准，对框内的分类正确与否，框是不是有冗余等。IoU:目标检测中loU(交并比)是模型所预测的检测框和真实(ground truth)的检测框的交集和并集之间的比例，动作检测改为了对时间(维度是1)的
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
