缺陷级评测指标

最新推荐文章于 2024-03-27 19:15:39 发布

JRRG

最新推荐文章于 2024-03-27 19:15:39 发布

阅读量1.8k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/step_forward_ML/article/details/84645802

传统的精度、召回率和F1-measure在视觉领域常用于评估，但逐像素标记的缺陷使得评估主观且工作量大。为此，提出了缺陷级评价指标Pre′、Rec′和F1-measure(F′)，考虑缺陷总数而非单个像素，以更客观地评估算法性能，避免召回率异常和主观性问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

传统的精度、召回率和F1已广泛用于模式识别和信息检索领域。一定程度上，它在视觉分割、检测等领域中为一种通用的评价标准。对应的 $P r e$ 、 $R e c$ 和F1-measure( $F$ ) 在视觉领域通常是基于像素级定义，如下：
$\begin{array}{c} Pre = TP/(TP + FP) \\ Rec = TP/(TP + FN) \\ F = 2 \ast Pre \ast Recall / (Pre + Rec) \end{array}$

其中 $T P$ 表示正确检测到的像素点数， $F P$ 表示虚假缺陷像素点数， $F N$ 表示未检测到的缺陷像素点数。精度和召回率之间存在反比关系。也就是说，增大其中一个势必是以减小另一个为代价。因此为了相互平衡，引入了F1-measure指标。较高的F1-measure，表明正确的检测结果越多，并能达到与人类的判断相一致。然而为了统计 $P r e$ 、 $R e c$ 和F1-measure( $F$ )这三个评价指标，我们需要对缺陷区域里逐个像素进行精确而完整的标记，否则会给检测性能带来很大的影响。然而，逐像素的标记，不仅任务量巨大而且带有很强的主观性，从而不能客观地反映设计算法的性能。为了有效地评估算法的性能，我们根据缺陷检测的特点，提出了一种新的缺陷级评价指标 $P r e^{'}$ 、 $R e c^{'}$ 和F1-measure( $F^{'}$ )，定义如下：
$\begin{array}{c} Pre' = TPp/P \\ Rec' = TPr/N \\ F' = 2 \ast Pre' \ast Rec' / (Pre' + Rec'), \end{array}$