分享篇：第十届“泰迪杯”数据挖掘挑战赛-农田害虫图像识别（特等奖）

第十届“泰迪杯” 数据挖掘挑战赛优秀作品-农田害虫图像识别--特等奖

实验结果分析

4.1.1 实验配置 本篇论文的实验都是基于 Ubuntu 系统下进行，使用 GPU 和 CPU 作为基础硬件， 具体配置运行环境如表 2-1 所示：

 

 4.1.2 评价指标 目标检测任务可以划分为分类和定位两大任务，其中定位任务采用召回率Recall进 行评估；分类任务采用准确率 Precision 进行评估：

 其中，TP 表示检测器输出结果中正确的个数，FP 表示检测器输出的结果中错误的 个数。同时，为了更好地平衡分类和定位任务的重要性，我们引入了以准确率和召回率为变量的 PR 曲线。最终，我们的评估指标转换为单个类别表示为 AP，整体准确率 表示为 mAP：

 其中，mAP 的计算是采用设定阈值 0.5:0.95 的 mAP 值取平均值得到的。 在通过第二章的离线数据增强方法以后，我们将原图像中的 1019 个目标拓展为 4401 个目标。由于原图像的样本数目较少，为了提升模型的预测能力，同时避免过拟 合的问题出现，我们将原有的验证集和测试集合并，以提升模型的鲁棒性。最终，我 们以