Machine learning “的含义；“每个窗口的误报”；

在论文《人类检测的定向梯度直方图》（Navneet Dalal和Bill Triggs）（见下面的链接）中，为了可视化其结果，他们使用ROC曲线，Y轴为TP，X轴为FPPW（每个窗口的假阳性）

这个短语的意思是什么

我考虑了三种可能的选择。。。我不知道——也许他们都错了。我们将感谢您的帮助：

可能是分类错误的阴性样本的比率，即：

（假阳性样本数/阴性样本数）

或者可能是每一个真报警的假报警率，即：

（假阳性数/真阳性数）

或者可能是whle图像中每个真实窗口的错误报警率， 这就是：

（假阳性样本数/真样本数）

我很高兴知道其中一个是否正确，或者你是否知道任何其他正确的定义

链接到该文件：

---

（）

它似乎被定义为

假阳性数量/窗口数量

，其中检测窗口是一个

64x128

移动窗口。第4节最后一段中的通知指出：

... 在多尺度检测器中，它对应于每640×480个测试图像约0.8个误报的原始错误率。

他们有一个窗口，可以在图像中移动，并评估它是否显示人。 FPPW是一种测量人在其探测器窗口内探测到其他东西的频率。它以一种独立于图像大小或人们对特定图像计数的方式来描述其分类的质量

---

所以基本上，当他们给电脑看一些摇滚乐或冰激凌时，他们会计算他们愚蠢的电脑说“是的，那是人”的频率。

我也有同样的困惑。作者表示，他们正在使用DET曲线。当你们看几条关于DET的曲线时，你们会发现x轴实际上是假阳性率。这意味着

FPPW

是

假阳性率

因此

FPPW=假阳性样本数/阴性样本数

---

您在这里描述的是FP率。但什么是FPPW？为什么他们不直接称之为FP？那么每个窗口的误报率不是一个比率或者什么？我基本上和博加顿说的一样，他的答案是上票，而我的答案是下票。n1我在那篇论文中没有看到一次FP的发生。你总是需要两样东西才能得到一个价格。一件一件的。这是第二件事。否则你就没有价格了。我猜他们只是想准确地说出第二件事。否则我会根据什么做aks假阳性？图像？数据集？跑？块？所以

FFPW

并不意味着精确，对吗？您不会将误报数除以阈值中“存活”的窗口数（这意味着

（fp+tp）

），而是告诉您从所有错误窗口中检索错误窗口的速率。精度仍然可以低得多