Как построить график промахов по сравнению с частотой ложных срабатываний?

У меня есть проблема с построением кривой зависимости частоты промахов от частоты ложных срабатываний для анализа производительности предложенной мной системы (как показано на рисунке ниже). У меня есть два набора данных для положительного и отрицательного образца. Я хочу построить график производительности моей системы, может ли она классифицировать людей или не людей с помощью этой кривой.

Насколько я знаю, мне нужно получить значения True Positive и False Positive после классификации, но я пока не уверен, как построить кривую. Кто-нибудь может помочь, пожалуйста??

Пример кривой


matlab classification image-processing false-positive
person Indrasyach    schedule 16.12.2014    source источник
comment
Против чего вы замышляете? Уровень промахов против ложных срабатываний (по одному на каждую ось), как против какой-либо другой переменной (некоторые настройки вашей системы) и т. д.   -  person nkjt    schedule 16.12.2014
comment
Я хочу построить кривую, как показано на рисунке выше, процент промахов против ложных срабатываний на изображение, чтобы проанализировать производительность моей системы. Но у меня нет идеи поцарапать его. Я хочу сравнить свою систему с двумя другими методами. @nkjt   -  person Indrasyach    schedule 17.12.2014
comment
Если у вас есть эти два бита данных, просто нажмите semilogx, чтобы получить журнал по x, как на изображении. Ваша проблема заключается в графике или вычислении данных?   -  person nkjt    schedule 17.12.2014
comment
моя проблема касается обоих вопросов. Я не знаю, как получить расчет. Не могли бы вы объяснить мне, как сделать расчет данных? Я просмотрел некоторую литературу, но ничего не нашел. @nkjt   -  person Indrasyach    schedule 18.12.2014
comment
Вам нужна некоторая достоверность (например, тестовый набор изображений, такой как INRIA). Уровень промахов = процент людей (или что-то еще, что вы ищете), которые не были найдены. Ложные срабатывания = количество найденных «людей», которые не являются людьми, на изображение. Когда вы увеличиваете чувствительность/уменьшаете пороги для попадания, вы обычно получаете меньше промахов, но больше ложных срабатываний.   -  person nkjt    schedule 18.12.2014
comment
Я также использую набор данных INRIA. Я ищу по голове-плечу людей. Например, сейчас я тестирую систему, используя набор данных INRIA, положительные образцы (90x160) и мое окно обнаружения 32x32, после классификации на одном изображении будут обнаружены 2 ящика, один правильный, другой не правильный. Как рассчитать процент промахов и процент ложноположительных результатов на основе этого результата? не могли бы вы предоставить мне более подробную информацию о расчете, может быть, полезные ссылки? Я очень ценю это. @nkjt   -  person Indrasyach    schedule 18.12.2014

Ответы (3)


arrow_upward
1
arrow_downward

Начиная с MATLAB R2017a, вы можете использовать функцию evaluateDetectionMissRate.

[logAverageMissRate,fppi,missRate] = evaluateDetectionMissRate(detectionResults,groundTruthData)

Эта функция возвращает точки данных для построения логарифмической кривой MR-FPPI. (MR: Промахи, FPPI: Ложное срабатывание на изображение).

Для примера его использования введите команду doc evaluateDetectionMissRate в MATLAB или перейдите по ссылке здесь.

person ashkan    schedule 19.06.2019

arrow_upward
0
arrow_downward

При обнаружении объектов есть два типа ограничивающих рамок: поля, в которых тема помечена набором данных как объект, и вторые рамки, которые обнаруживает ваш алгоритм.

Если ваш bbox имеет огромное пересечение с bbox набора данных, это нормально.

Если ваш bbox НЕ пересекается с bbox набора данных, это ложноположительный результат.

И мы называем All data-set bbox без пересечения с вашим bbox на изображении MISS Rate. и после расчета этих чисел, построение этих значений выполняется прямо вперед.

person malloc    schedule 03.08.2017

arrow_upward
-1
arrow_downward

Вы можете использовать следующий репозиторий GitHub для построения графиков MR и FPPI. Может показаться, что код вычисляет только mAP, но он делает гораздо больше. Он также вычисляет процент промахов, ложных срабатываний на изображение и среднелогарифмический процент промахов. Все они вычисляются в файле main.py, присутствующем в репозитории (строка 81), но не отображаются на графике. Все, что вам нужно сделать, это просто построить график зависимости MR от FPPI с помощью matplotlib (или любого другого модуля). Просто следуйте файлу ReadMe, чтобы начать. Надеюсь это поможет!

person Jitesh Malipeddi    schedule 19.06.2019