本文介绍了深度学习目标检测中的关键性能度量，包括真阳性（TP）、假阳性（FP）、假阴性（FN）和真阴性（TN）。详细阐述了精确率（Precision）和召回率（Recall）的概念，并解释了它们之间的权衡关系。同时，解析了P-R曲线的生成过程及其在确定平均精度（AP）和mAP中的作用。最后，给出了代码链接以帮助读者深入理解。
基本概念
现在我们假设分类的目标有两类，一种是正例（Positive），另一种是负例（Negtive）。因此根据真实样例与预测样例的结果进行对比，我们可以如下表设计
| 真实情况 | 预测时正例 | 假例 |
| gt正例 | TP | FN |
| 假例 | FP | TN |
1）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（样本数）
2）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；
3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分
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
