行为目标检测ROC、AUC及相关参数是什么含义？

行为目标检测ROC、AUC及相关参数是什么含义？

1.ROC、AUC定义及相关概念

​ ROC : TPR - FPR 曲线

​ AUC : ROC 曲线下面积

​ TPR : TP/(TP+FN)

​ FPR : FP/(FP+TN)

​ Precision : TP / (TP + FP)

​ Recall: TP / (TP + FN)

​ IOU : (TP)/(TP+TN+FP)

​ TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次）

​ FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量

​ FN: 没有检测到的GT的数量

​ FP:

​ 关于TP、FP、FN、FP后面有更直观更简单直观的计算方式。

2.行为目标检测从得分到AUC的详细计算过程

2.1 数据流

2.2 阈值

2.2.1 阈值threshold的影响

我们需要一个对于score的threshold, 为什么呢? 比如在一个bounding box里， 我识别出来鸭子的score最高， 可是他也只有0.1， 那么他真的是鸭子吗？ 很可能他还是负样本。 所以我们需要一个阈值， 如果识别出了鸭子而且分数大于这个阈值才真的说他是正样本， 否则他是负样本。

2.2.2 阈值是如何设定的？

如下图所示，首先我们将一个视频通过滑动窗口分割得到n个小视频段，我们将n个小视频段，通过model模型，我们可以得到一个nxk的得分矩阵，每一行为对应小视频段的得分,我们取出每一行的得分的最大值，得到整个视频的得分矩阵（nx1），我们取阈值thresold = A[k] ( k = 1, 2, 3, n-1 )

​ 图1

2.3 求pr_label(预测标签)

​ pr为图一最后的得分A={nx1}，为了方便计算，我们将n=