Machine learning 如何从视频中对真负片进行分类?
为了测量性能,我试图绘制ROC曲线。在ROC曲线中,我必须绘制x轴的假阳性率(FPR)和y轴的真阳性率(TPR)。我们知道, FPR=FP/(FP+TN) 那么在下图中,如何检测真阴性(TN)?我使用了HOG分类器来检测人类。我用矩形1,2,3,4,5,6(或应该是7)标记,以显示应该忽略的人的对象,而不是分类为人的对象。我认为这些都是真正的负面因素 在这张照片中,我想说我的假设,正如我们所知 假阴性:结果本应为阳性,但为阴性 假阳性:结果本应为阴性,但为阳性 真阳性:结果应该是阳性的,并且是阳性的 真阴性:结果应为阴性且为阴性Machine learning 如何从视频中对真负片进行分类?,machine-learning,computer-vision,classification,object-detection,roc,Machine Learning,Computer Vision,Classification,Object Detection,Roc,为了测量性能,我试图绘制ROC曲线。在ROC曲线中,我必须绘制x轴的假阳性率(FPR)和y轴的真阳性率(TPR)。我们知道, FPR=FP/(FP+TN) 那么在下图中,如何检测真阴性(TN)?我使用了HOG分类器来检测人类。我用矩形1,2,3,4,5,6(或应该是7)标记,以显示应该忽略的人的对象,而不是分类为人的对象。我认为这些都是真正的负面因素 在这张照片中,我想说我的假设,正如我们所知 假阴性:结果本应为阳性,但为阴性 假阳性:结果本应为阴性,但为阳性 真阳性:结果应该是阳性的,并且是
所以我认为在这个框架中,FP=0,TP=0,FN=0,但不确定TN,是6还是7,或者其他什么?如果我错了,请纠正我关于FP、TP和FN的错误。我看到了这个问题,这确实很有帮助,但我仍然需要计算这个场景的FPR。您无法从这样的图像中计算这些值,您需要更多的数据(了解实际发生的情况)。但您需要的可能只是这些窗口的总量,这是一个常数N。现在,似乎所有这些窗口都是错误的(人身上没有),因此:
- FP=6(您的方法声明有6个人,但这些声明都是无效的,因为它们完全关闭了-但是,如果这只是可视化问题,并且方法实际捕获了有效的人,那么应该将这6个人移到TP)
- TP=0(它没有正确标记任何人)
- FN=10(如果我数对了,这张图上有10个人,而所有人都不见了)
- TN=N-16,其中N是所有分析窗口的数量,因为所有这些窗口都被正确分类为“缺少人”,最多10 FN和6 FPs,加起来就是16 FN和6 FPs
- FP=有多少名实际非人类标记为“人类”
- TP=有多少实际人类被标记为“人类”
- FN=有多少实际的人被正确地忽略了(未标记为“人”)
- TN=被正确忽略的实际非人类的数量(未标记为“人类”)