32、图形分类与目标识别中的核方法与实验分析

图形分类与目标识别中的核方法与实验分析

在计算机视觉领域，图形分类和目标识别是重要的研究方向。下面将详细介绍相关的理论和实验结果。

1. 性能指标与模型训练

在目标识别中，通常会涉及到一些性能指标的计算，如精确率（p）、召回率（r）和F - 度量（f）。首先，定义了四种情况：真阳性（|TP|）、假阴性（|FN|）、真阴性（|TN|）和假阳性（|FP|），并据此构建混淆矩阵，这是计算许多常见性能指标的基础。

设正图集合为$g^+$，负图集合为$g^-$，仅考虑从$g^+$中的图生成的FTOG。定义$TP = |CR_{\tau}{g^+}|$，$FP = |g^- \cap CR_{\tau}{g^+}|$，$|P| = |g^+|$，则精确率、召回率和F - 度量分别为：
- 精确率：$p{R_{\tau} | g^+, g^-} = \frac{TP}{TP + FP}$
- 召回率：$r{R_{\tau} | g^+, g^-} = \frac{TP}{P}$
- F - 度量：$f{R_{\tau} | g^+, g^-} = \frac{2}{\frac{1}{p} + \frac{1}{r}}$

还定义了$CR_{\tau}{g^+}$上的熵：
$E{CR_{\tau}} = - \sum_{l = 1}^{L_{Nc}} {p_l \cdot \log p_l}$
其中$p_l = \frac{|F_l|}{\sum_{l = 1}^{L_{Nc}} |F_l|}$，$l = 1, 2, \cdots, L_c$。

希望找到最优阈值$R_{\tau_1} = \max{\arg